可兼容四种March系列算法的PMBIST电路设计

存储器是系统级芯片(System on chip,SoC)中最重要的组成部分之一,也是最容易出现故障的部件。存储器故障可能会导致整个SoC失效,对存储器进行充分的测试和验证是至关重要的。目前,主流的存储器测试方法是采用存储器内建自测试(Memory build-in-self test,MBIST)技术,传统的可测性技术采用单一的测试算法进行测试,为了满足不同类型存储器的测试需求以及不同工艺制造阶段的测试强度,需要使用不同类型的测试算法进行测试。结合存储器常见的故障模型以及多种测试算法,设计了具有较高灵活性和可扩展性的可编程存储器内建自测试(Programmable memory built-in-self test,PMBIST)电路,可兼容四种不同的March系列算法进行存储器内建自测试,采用寄存器传输语言(Reigster transfer language,RTL)级代码的编写方式,针对静态随机存储器(Static random-access memory,SRAM)采用不同March系列测试算法进行仿真,并以常用的March C+算法为例进行说明。仿真结果表明,所设计的PMBIST电路可对四种不同的March算法进行测试,满足不同类型存储器的内建自测试需求。

一种基于存储器内建自测试的新型动态March算法设计

存储器作为片上系统(SoC)中最大和最重要的模块之一,它的稳定性和可靠性关乎着整个芯片能否正常工作。为了提高存储器的测试效率,该文提出一种新型动态March算法——Dynamic-RAWC。相比经典的March RAW算法,Dynamic-RAWC算法有着更良好的故障检测效果:动态故障覆盖率提高了31.3%。这个可观的效果得益于所提算法以经典的March RAW算法为基础进行优化,融入了Hammer,March C+算法的测试元素和一些新的测试元素。不同于普通March型算法的固定元素,所提算法支持用户自定义算法的执行顺序以适应不同的故障检测需求,能够动态地控制算法元素,在时间复杂度和故障覆盖率之间进行调整从而达到良好的平衡。

Some improvements of the marching cubes algorithm for the rendering of an orebody

Orebody-rendering techniques are developed using the marching cubes (MC) algorithm. The shape of an orebody is viv- idly displayed in real time and can be used to guide mining design as well. The MC algorithm has been improved in two aspects. By analyzing the principles of the MC algorithm, as well as the features of the specific application, improvements were developed to: eliminate ambiguities by using a unified isosurface constructing method in the voxels, and improve the operating efficiency of the MC algorithm by incorporating an octree structure. The analytical results of the examples demonstrate the effectiveness of our proposal.

Application of marching cubes algorithm in visualization of mineral deposits

An implementation scheme of the marching cubes (MC) algorithm was presented for the visualization of mineral deposits. The basic principles, processes and pitfalls of the MC algorithm were discussed. The asymptotic decider algorithm was employed to solve the ambiguity problem associated with the MC algorithm. The implementation scheme was applied to model and reconstruct the surfaces of mineral deposits, using the geological data obtained from an iron mine in China. Experimental results demonstrate the ability of the implementation scheme to solve the ambiguity problem, and illustrate the effectiveness and efficiency of the MC algorithm in the visualization of mineral deposits.

基于March算法的医疗器械溯源数据存储方法

目的 医疗器械溯源种类众多,存储后的数据溯源时存在跨度大、数据丢失等问题,为提升医疗器械溯源数据存储性能,提出基于March算法的医疗器械溯源数据存储方法。方法 通过构建的滤波器对医疗器械溯源数据开展小波分解处理并实施阈值量化,结合混合熵编码对保留溯源数据系数编码,完成医疗器械溯源数据的压缩;采用建立的云存储模型存储压缩后的溯源数据,利用March算法遍历存储模型各个存储单元,测试出模型内是否存有故障,实现医疗器械溯源数据的最终存储,验证所提基于March算法的医疗器械溯源数据存储方法的有效性。结果 验证结果表明,该方法的平均剩余能量在400~500 nJ范围内,可存储溯源数据量5000个,存储标准差值均小于15。结论 基于March算法的医疗器械溯源数据存储方法的能量消耗较低,存储容量较大,负载均衡性能较好,可为医疗数据管理提供参考。

基于March算法的电子病案数据存储归档方法研究

目的研究基于March算法的电子病案数据存储归档方法,测试存储器故障,提高存储归档的效率。方法有效结合区块链结构的数据存储特点,建立电子病案数据存储模型,加密电子病案数据,保证电子病案数据不被篡改;基于March算法,通过对指定电子病案存储单元数据执行读写操作,测试电子病案存储模型中存储器故障,维护电子病案数据安全;并基于分布式哈希表区块链归档存储模型中的电子病案数据,降低电子病案数据存储模型存储压力的同时不影响其存储可靠性。结果该方法故障检测覆盖率高达100%,能够准确检测出所有的存储器故障类型和个数,归档率均在98%以上,且能够节约医院开销、快速查询到所需患者的个人电子病案数据。结论该方法能够测试存储器故障,提高存储归档的效率,可以广泛应用于电子病案数据存储归档领域。

基于March C-算法的SRAM BIST电路的设计

针对某SOC中嵌入的8K SRAM模块,讨论了基于March C-算法的BIST电路的设计。根据SRAM的故障模型和测试算法的故障覆盖率,研究了测试算法的选择、数据背景的产生,并完成了基于March C-算法的BIST电路的设计。实验证明,该算法的BIST实现能大幅提高故障覆盖率。

Marching Cubes改进算法及其气象三维模拟

用三等分体元边界的方法取代了原始Marching Cubes算法中通过线性插值获得等值面与体元交点的方法,该方法不仅解决了线性插值不适用于气象数据模拟的问题,还有效地减少了等值面绘制过程中生成的三角面片的数量,在减少冗余提高绘制速度的同时也进一步提高了等值面图像绘制的质量。将改进之后的Marching Cubes算法应用在对气象模式数据即WRF数据的等值面模拟中,在图像绘制速度和绘制质量上均取得了不错的实验效果。

Marching Cubes算法改进研究及应用

对MC算法进行了改进和优化,运用渐近线判别法解决了原有算法的二义性问题,改善了生成图形的质量;利用线性八叉树结构提高了图形的绘制速度,使实时绘制和交互操作成为可能。运用改进后的MC算法,结合某铁矿实测数据进行矿体表面三维重构,得到了满意的效果。

基于表面再现 Marching cubes 算法改进与实现

从医学体数据中得到对象的三维可视图像有广泛的应用领域，例如医学诊断、法医学、古人类学等．本文讨论并分析了一种基于表面再现的Ｍａｒｃｈｉｎｇｃｕｂｅｓ算法的优点及存在的不足，给出了算法在时空开销、不确定性等方面的改进和解决方案，改进后的算法在实际系统中取得了良好的效果．

基于Marching Cubes算法的多层医学图像重建实现

为了进一步增强医学三维图像的可视性,研究了用于医学三维图像重建的Marching Cubes算法,采用了双曲线渐进方法来消除其等值面连接的二义性,使用八叉树数据结构减少多层图像重建的冗余计算.在VS2005平台上,对CT医学图像序列,利用OPENGL图形库实现了基于这些方法的多层医学三维图像重建.实验结果表明:基于MC算法的多层医学图像重建比单层重建能给医生提供更多的可视化信息,具有一定的临床优势.

基于March算法的存储器测试控制器设计

随着soc设计向存储器比例大于逻辑部分比例的方向发展,存储器的品质直接影响着soc的整体性能的提高,故对于存储器测试显得尤为重要。现在存在的一些存储器测试方法对故障的覆盖率都不能达到100%。本文分析了现有的各种March算法,提出了一种新的存储器测试控制器设计方法,它综合调配各种March算法,使测试的故障覆盖率接近100%,并且硬件开销很小。

基于March X算法的SRAM BIST的设计

针对LS-DSP中嵌入的128kbSRAM模块,讨论了基于MarchX算法的BIST电路的设计。根据SRAM的故障模型和测试算法的故障覆盖率,讨论了测试算法的选择、数据背景的产生;完成了基于MarchX算法的BIST电路的设计。128kbSRAMBIST电路的规模约为2000门,仅占存储器面积的1.2%,故障覆盖率高于80%。

基于March C-算法的SRAM芯片的SEU失效测试系统

为实现SRAM芯片的单粒子翻转故障检测,基于LabVIEW和FPGA设计了一套存储器测试系统:故障监测端基于LabVIEW开发了可视化的测试平台,执行数据的采集、存储及结果分析任务,板卡测试端通过FPGA向参考SRAM和待测SRAM注入基于March C-算法的测试向量,通过NI公司的HSDIO-6548板卡采集2个SRAM的数据,根据其比较结果判定SEU故障是否发生。该系统可以实时监测故障状态及测试进程,并且具有较好的可扩展性。

基于March C+算法的SRAM BIST设计

为了增加存储器测试的可控性和可观测性,减少存储器测试的时间和成本开销,在此针对LEON处理器中的32位宽的SRAM进行BIST设计。采用March C+算法,讨论了SRAM的故障模型及BIST的实现。设计的BIST电路可以与系统很好的相连,并且仅增加很少的输入/输出端口。仿真结果证明,BIST的电路的加入在不影响面积开销的同时,能够达到很好的故障覆盖率。

三维服装表面模型的离散Marching Cubes算法

对三维服装表面模型的重构简化算法进行了研究。在三维表面模型和化简方面采用了离散MarchingCubes(DiscMc)算法,将离散的思想应用到三角面片的化简中,耗时插值计算量被降至最低,使得原有系统在重构效率和效果上都有极大的改善。位于同一平面且相邻的三角面片都进行合并,可以达到很高的简化比,算法效率很高,同时保持有限的精度损失,保持服装表面模型细微结构不会被DiscMC的简化过程所破坏,DiscMC优于其他算法。从算法描述实验可知,DiscMC仅限于原始体数据的密度值都在网格点上,并且简化是一次性的,不会反复进行简化,因此,非常适应于服装系统的三维表面模型简化。

一种改进的随机存储器自检测March算法

本文对随机存储器各类故障的失效机制和当前已有的解决算法做了简要介绍,进而对该问题更好的解决和各个指标的优化平衡提出了一种改进的March算法,从而达到了较高的故障覆盖率。

基于March C+算法的Memory BIST设计与实现

随着信息技术的发展,设计越来越复杂,嵌入式存储器在SoC芯片面积中所占的比例越来越大,由于本身单元密度很高,嵌入式存储器容易造成硅片缺陷,降低了芯片的成品率.针对投影仪梯形校正项目嵌入的存储器模块存在的故障等问题,讨论了基于M arch C+算法的B IST的设计与实现,并对B IST进行改进,完成对存储器故障的检测和定位,整个测试故障覆盖率接近100%、测试时间为35.546 m s.

基于中值法改进Marching Cubes曲面重建算法

等值面的提取是三维空间点云数据曲面重建过程中起决定性的关键因素之一。本文针对Marching Cubes点云曲面重建算法在三维重建过程中处理速度慢、插值效果不佳等问题,进行了基于点云数据的中值法改进。该算法的基本理论基础是三位点云具有连通性。根据该原理,选择一定数量的体素作为种子节点,再依据这些种子体素来拓展出地物的整个曲面。算法避免了对无用体素的遍历;利用中值计算法去取代线性插值法对等值点坐标和空间法向量进行求解,进一步缩减迭代次数。实验结果表明:与传统算法相比,基于中值法改进的Marching Cubes算法能在重建效果没有明显差异的情况下有效地提高效率。

基于隐式表达的服装三维重建

随着近年来互联网购物的快速发展,在各大平台上出现了越来越多的服装商品。通过三维重建技术生成服装的三维模型可以帮助消费者更好地了解服装的姿态信息。针对服装的三维重建技术进行研究,提出基于隐式表达的服装三维重建模型。使用神经网络学习获得的占用函数作为服装三维模型的隐式表达,从而建立三维坐标和模型形状的映射。目前已有的三维重建算法需要拟合复杂的曲面模型,但资源消耗量大,而基于隐式表达的三维重建算法不需要进行参数化和网格化,能够提高算法的运行速度。为了进一步提高三维重建效果,采用目前性能最好的Point MetaBase-L网络模型和偏移注意力模块作为模型的特征提取网络。其中Point MetaBase-L网络模型基于现有的点云特征提取网络提出Set Abstraction层的元架构Point Meta,并通过分析选择Point Meta元架构中4个模块的最佳实践构成Point MetaBase-L网络模型的Set Abstraction层,同时引入平面特征投影模块加强特征的局部信息。在特征解码阶段,利用特征权重网络通过加权平均算法获取三维空间中采样点的占用概率。根据这些采样点的占用概率,通过基于区域增长的Marching Cubes算法提取高精度网格重建模型。实验结果表明,与占用网络相比,改进模型在交并比、倒角距离、法线一致性和F1值上分别提升了48.83%,55.17%、4.27%和79.10%。