一种高能效的比特重排序及扩展FastTag Cache单粒子效应容错方法

空间应用处理器Cache一直是抗辐射加固设计的薄弱环节,造成国产加固器件的Cache不能在轨应用,大大制约了空间应用处理器的性能.Cache中保存着处理器当前使用最频繁的指令和数据,Cache加固的效果,直接决定了空间应用处理器的抗单粒子翻转(SEU)能力.处理器缓存标签阵列(Cache Tag Array)是Cache系统的核心,传统SEC仅能对Tag单位错误进行纠正,邻位双错会引起误纠正,在组相连和全相连的Cache中会引起较大的面积功耗开销.本文设计了结合比特重排序技术和扩展FastTag技术的高能效Cache Tag容错方法,具有三方面特点:(1)扩展传统FastTag技术在写回Cache应用的局限性;(2)冗余码率与SEC一样的条件下,降低邻位双错的误纠正概率;(3)和传统SEC方法相比,降低容错带来的面积功耗开销.经过仿真与评估,与传统SEC容错设计相比,能效比得到提高.可以将邻位双错检测率提高70%左右;面积开销降低12.1%;功耗开销降低47.6%;关键路径延迟降低0.2ns.

一种针对Cache Tag单错及邻位双错的低开销容错方法

Cache是处理器重要的存储模块,对处理器性能提升有着至关重要的作用.空间环境中,保护Cache免受软错误影响已成为设计新一代高可靠微处理器日益严峻的挑战.设计一种针对Cache Tag单错及邻位双错的低开销容错方法.可以保证Cache访问、Cache行填充和Cache行回写不受单位错误和邻位双错的影响,与传统SEC-FastTag容错方法相比,Tag单位及邻位双错容错能力得到提高.通过扩展FastTag结构优化设计,降低SEC-DAEC编解码逻辑带来的面积、功耗以及性能方面的开销.以四路组相连写回Cache为目标系统,与传统SEC-DAEC容错方法相比,本文提出的方法面积开销降低8.47%,功耗开销降低37.7%,关键路径时延减小0.13 ns.

基于扩展标记图的网页信息重组技术

本文介绍一种基于扩展标记图ETG(Extended Tag Graph)的网页信息抽取与重组新技术,引入了扩展标记图操作和重构概念,提出了作为用户接口的标记查询语言TagSQL。用户通过类标准SQL的语言描述,即可方便地实现对网页信息的灵活抽取和重组操作。

基于扩展标记图的Web信息抽取器

介绍了一种新的Web信息抽取器,该抽取器基于扩展标记图模型,实现了数据和模式的分离,应用于Web检索系统中,能够有效地支持标记级实时信息检索、抽取和重组。还介绍了其在Web信息检索系统PowerSearcher中的实际应用。

基于结构和链接扩展的中文网页分类研究

在研究Web结构特征的基础上,综合网页的结构和内容,抽取网页不同区域的内容信息,并赋予不同权重来表明其重要程度的不同。按网页间相互链接关系,扩展链接,将链接源网页所含有的类别信息传播给目标网页,从而提高分类效果。实验证明,该方法比单独依赖网页内容信息的分类在效果上有所提高。

利用扩展标记集的词结构分析

该文给出了一种与传统分词不同的词法分析选择,提出了一种利用扩展标记集来实现词内部结构分析的方法。首先阐述了词的内部结构特点,把结构中的前后缀视为特殊的词,进而通过识别出每一个词的前后缀来识别词的内部结构。方法是把词内部结构识别问题转换成序列标注问题,通过扩展标记集,采用CRF模型来实现词的内部结构分析。最终实验表明,无论是在总体性能上,还是在各层结构的识别上都取得了较高的准确度。

基于标签优化的协同过滤推荐算法

传统基于用户的协同过滤推荐算法在计算用户之间的相似度时只考虑了用户的评分,而忽略了不同项目之间的差异。针对传统方法在数据稀疏情况下表现不理想的缺点,提出了结合项目标签信息针对每个目标项为用户选择邻居的协同过滤推荐算法。算法首先基于用户评分矩阵确定最初的近邻,为每个目标项计算目标用户的邻居;当对目标项目评分的近邻数量极小或没有时,则考虑增加由标签信息拓展的近邻;最后根据近邻为目标项目预测评分。实验结果表明,该算法提高了相似性计算的准确性,有效地缓解了用户评分数据稀疏的问题,并提高了预测的准确性。

MDS系统的设计与实现

分析并设计一个在Internet上存取数据库的中间数据服务器MDS(MiddleDataServer)。MDS可以支持所有支持ODBC的数据库，让用户使用HTML扩展标记和JavaApplet方式与Internet上某一数据库交互，动态地显示查询结果，满足开发者的各种用途和需要，而且不需要复杂的编程。

基于扩展标记的改进本体概念分类算法

研究Pellet系统本体概念分类算法及其优化技术,在此基础上给出一种基于扩展标记的改进算法。该算法通过概念间已知的包含关系,控制分类过程中遍历时概念加入的顺序,并最大程度地双向传播这些关系,从而有效地降低概念包含测试的次数。验证结果表明,该算法的概念分类性能平均提高约22%。