多输入门的神经网络

M.L.Bushnell教授在[1]中给出了两输入AND、OR、NAND和NOR门的神经网络。对于多输入门的神经网络,采用两输入门的神经网络组合而成。本文直接给出多输入门的神经网络,这对电路模拟和自动故障模型生成带来更大的方便。

基于量子元胞自动机的5输入择多门设计与应用

随着量子元胞自动机(quantum-dot cellular automata,QCA)电路复杂度不断上升,传统的3输入择多门逐渐无法满足现有的需求.为了在减少QCA电路的逻辑深度的同时降低开销,提出一种5输入择多门以实现高效的单层QCA电路.首先将输入元胞进行分散排列,通过中间元胞相连,保证5输入择多门的逻辑正确性;然后根据元胞电子间库仑作用力确定输出元胞的位置,构造出一种低功耗的5输入择多门;最后基于所提出的择多门设计一种D触发器,其具有低复杂度和低开销等特点.采用QCADesigner和QCADesigner-E工具对所提设计的功能、性能和功耗进行评估,结果表明,与现有的结构相比,所提出的5输入择多门不仅总功耗平均减少约57%,而且实现了高极化的输出;所提出的触发器总功耗减少约78%,复杂性、面积和延迟分别降低约35%,28%和28%.

低功耗三输入异或(XOR)门

基于常用三输入异或(XOR)门实现方法的分析,设计了一种新的基于晶体管级的三输入XOR门电路.与已公开发表的典型电路相比较,文中所建议的电路具有低功耗和低功耗延迟积(PDP)的特性.

基于改进五输入择多门的QCA全加器设计及应用

量子元胞自动机(Quantum-dot cellular automata,QCA)是一种新兴的纳米技术.本文基于改进的五输入择多门,设计出一个全加器,在保持正确逻辑功能的基础上较以往的全加器有一定优势.应用该全加器设计加法器和乘法器,结果表明在某些性能上有显著提高.

基于QCA的五输入Majority门设计及应用

Majority门作为多数逻辑电路的基本逻辑单元,其性能直接影响整体电路的质量.使用量子元胞自动机(QCA)设计Majority门具有结构简单的优点.本文提出了一种三层电路实现五输入Majority门的设计,并以此设计了全加器,进一步应用于多位加法器和乘法器中,与已发表的电路设计比较表明,其版图使用面积和元胞数有明显的减少,加法器元胞数和面积改进最高可达43%和87. 2%,乘法器元胞数和面积改进最高可达48. 2%和100%.

量子元胞自动机共面五输入择多门结构的分析与设计

量子元胞自动机(Quantum-dot Cellular Automata,QCA)是一种具有新型计算范式的纳米器件,它是未来有望替代传统CMOS器件的有力竞争者之一.本文首先从QCA器件的功耗角度出发,对影响半径为41nm的QCA共面系统中元胞的耦合度进行建模,根据元胞之间的位置关系构造QCA门结构模型,据此对现有的共面五输入择多门进行分类,通过性能分析总结其结构特点,以此设计出一个新的低功耗五输入择多门,测试结果表明该结构功耗最低且其他性能也相对较优.另外,为验证所提出五输入择多门在电路中的性能,本文选择MR Azghadi全加器设计了一款共面QCA全加器,与同类加法器相比性能也最优.

三输入与门的输入端差异性问题的研究

采用Hspice2003.09软件,利用精确和接近实际的元器件模型进行仿真模拟,仿真对象为三输入与门。通过对传输特性的分析,证明三输入与门的三个输入端对输出端的影响存在差异性。通过对不同工艺尺度和不同NMOSFET衬底连接状态的传输特性分析,找到了减小输入端差异性的方法。其中采用了0.5um,2um和4um沟长参数进行仿真分析,结果对实际芯片的电路设计有较直接的参考价值。

基于量子元胞自动机的n位全加器设计

量子元胞自动机(Quantum-dot Cellular Automata,QCA)以其功耗低、纳米级设计、运算速度高等特点被认为是一门新兴技术,在不久的将来有望取代CMOS工艺,用于量子计算机的电路设计.近年来,在QCA电路中有很多使用三输入择多门(M3)和三输入异或门(XOR^(3))设计的全加器(Full Adder,FA).本文以这两种逻辑门为基础,结合QCA电路特有的时钟特点,设计了三种新型的n位全加器(FA1,FA2,FA3).FA1只使用了一个1位全加器,它的元胞的数量和电路面积比已发表的8位全加器至少减少了78%和90%,但一个时钟周期只能完成1位计算,延迟较大;FA2的元胞的数量和电路面积比已发表的8位全加器至少减少了47%和63%,可以在一个时钟周期内完成2位计算;FA3在一个时钟周期内可以进行4位计算,延迟最小.FA1、FA2和FA3作为n位全加器,随着全加器位数的增加,它们的元胞的数量和电路面积是不会改变的,这是以往设计所不能实现的.

基于量子元胞自动机的新型同或门结构设计

由于互补金属氧化物半导体（CMOS）器件尺寸的限制,量子元胞自动机（QCA）成为有望替代CMOS的新兴纳米器件。量子元胞自动机具有超低功耗、超高速度和高密度结构的潜在优势。提出了一种新型的同或门结构,在面积、延迟、复杂度及功耗方面相较于之前的结构均存在优势。所提出的新型同或门结构仅使用28个面积为0.02μm^2的QCA元胞,延迟仅为0.75个时钟周期。为了检验提出的设计在大型复杂QCA电路中的性能,实现了4,8和16位的奇偶校验器电路。模拟结果表明,所设计的电路性能各方面均优于先前的设计。

基于长短时记忆网络的人才培养模型设计

长短时记忆LSTM神经网络的工作原理虽有记载,但究其物理过程很多资料都未解释清楚,该文以学校人才培养为例,将LSTM网络类比为通过多年办学的吐故纳新,将成功的经验长期继承下来,而把逐年的新贡献又增加上去,如此循环,就把多级LSTM的级联展现在读者面前。

认知诊断测验的属性分类一致性和分类准确性指标

分类一致性和分类准确性是衡量考试信效度的两个重要评价指标。基于项目反应理论下分类一致性和分类准确性指标,提出认知诊断测验的属性(模式)分类一致性和分类准确性指标,讨论分类一致性指标、分类准确性指标与属性估计误差之间的关系,并由属性掌握概率的估计标准误推导出属性分类准确性的上限。结果显示:属性(模式)分类一致性可准确估计重测一致性;分类准确性指标计算简单,可准确估计认知诊断测验的判准率。

分类视角下认知诊断测验项目区分度指标及应用

在认知诊断中还没有指标能在无作答数据情况下直接评价项目的属性分类准确率或属性判准率。项目水平上的属性分类准确率,与项目属性向量、项目参数、先验分布和作答反应等有关。综合各个影响因素定义了项目水平上的属性期望分类准确率指标,并将其用于组卷。模拟研究显示:新指标可十分准确地评价项目的属性判准率,新指标对于项目筛选十分重要;以模式分类准确率为评价指标,基于新指标的组卷方法与经典的组卷方法表现相当。

测验Q矩阵的修正方法及其比较研究

在认知诊断评估中,构建正确测验Q矩阵十分关键,但比较困难.该文将确定性输入噪音与门模型下3种在线标定方法(极大似然估计方法,边际极大似然估计方法和交差方法)用于测验Q矩阵修正,并与δ方法,γ方法和最小残差平方和方法进行比较.采用模拟研究验证和比较各方法的表现,研究结果显示:边际极大似然估计方法表现良好,交差方法次之;项目所考查的属性数目是影响δ方法和γ方法的表现.

基于贝叶斯网的认知诊断模型构建

新一代测量理论在测验设计、计量分析和结果解释等方面,都强调将认知科学与心理计量学相结合。文章基于贝叶斯网对定性的认知模型(属性层级)建立概率模型,并将其整合到认知诊断模型中,可实现认知模型与计量模型相结合进行诊断数据分析。采用MCMC算法分析带分数减法数据,比较不同属性结构下模型的表现,结果表明基于贝叶斯网构建的认知诊断模型可提供丰富且有效的诊断信息,可为验证认知模型提供一种途径。

影响AHM与DINA诊断准确率的因素研究

对属性层级模型(AHM)和确定性输入、噪声"与"门模型(DINA)2个认知诊断模型,讨论不同因素对判准率的影响.实验表明,含有可达阵的测验比不含可达阵的测验判准率高.对于线型结构测验长度达到一定值以后,增加测验长度对诊断准确率的改进不大.虽然总体而言,DINA分类准确性要优于AHM,属性结构紧密度越大,判准率越高;但是AHM估计结果符合属性层级结构,而DINA估计结果却可能违背属性层级关系,这和2011年De Carlo的发现不相同.

认知诊断评估中知识状态估计方法简述

尽管认知诊断评估的方法或模型众多,但其最终目的都是要报告被试属性掌握的强项与不足,即对被试的知识状态进行估计或分类。本文主要对规则空间模型、属性层级模型、确定性输入噪音与门模型和其他几个模型下知识状态估计方法进行简述,重点介绍各知识状态估计方法的基本思想、优缺点及它们内在的联系与区别。最后,概述影响知识状态估计结果的因素,并提出应进一步研究的问题。

不同因素对认知诊断DINO模型诊断准确率的影响

本文探究不同因素对确定性输入噪声"或"门模型(DINO)判准率的影响。模拟实验表明:DINO模型更适用于离散型属性层级结构;测验长度的合理增加有助于提高诊断的准确率;DINO模型对属性层级结构不敏感;认知属性个数的增加会降低DINO模型的诊断准确率,实际应用中建议认知属性个数控制在6个以下。

新型基于量子元胞自动机的3-8译码器

为进一步优化量子元胞自动机(QCA)电路的设计,采用5输入择多逻辑门,设计了新型3-8译码器,降低了延时和面积,提高了传输线的正确概率,减小了传输线之间的串扰,利用QCADesigner验证了3-8译码器的逻辑功能。与K.Moein等人提出的3-8译码器相比,该3-8译码器将延时降低了18%,面积减小了36%,交叉线数量减少了33%,最大传输线长度缩短了57%。性能的提升对于译码器的模块化设计和今后更大规模的QCA电路设计都具有借鉴意义。

基于注意力机制双通道复合模型的文本情感分类

针对目前常见神经网络在处理中文短文本情感分类任务中对文本数据复杂信息特征提取不完整,致使前后关联性文本学习不充分等问题,提出一种结合注意力机制的双通道复合网络模型。首先对语料进行预处理形成文本向量矩阵;然后在两个通道中分别利用卷积神经网络层,双向耦合输入和遗忘门网络层提取样本向量的局部特征,用以学习前后词向量之间的联系;再分别加入注意力机制网络层,对不同情感密度的文本信息进行权重分配,提高重点信息对句子情感分类的影响强度;最终将两个通道特征向量进行融合,计算文本数据概率分布。提出的多层混合网络模型在京东商品评论集和搜狐新闻数据集上测试结果显示,准确率分别达到93.17%和91.18%,F-SCORE数值达到93.12%和91.12%,验证了该复合模型应用于文本情感分析的有效性。

基于CNNCIFG-Attention模型的文本情感分类

神经网络在处理中文文本情感分类任务时,文本显著特征提取能力较弱,学习速率也相对缓慢。针对这一问题,文中提出一种基于注意力机制的混合网络模型。首先对文本语料进行预处理,利用传统的卷积神经网络对样本向量的局部信息进行特征提取,并将其输入耦合输入和遗忘门网络模型,用以学习前后词句之间的联系。随后,再加入注意力机制层,对深层次文本信息进行权重分配,提高重要信息对文本情感分类的影响强度。最后,将所提出的混合网络模型在京东商品评论集上进行测试。测试结果显示,新方法的准确率达到了92.13%,F-Score数值为92.06%,证明了CNNCIFG-Attention模型的可行性。