腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

综合排序丨最热优先丨最新优先

FPGA时序约束理论篇之时序路径与时序模型

时序路径典型的时序路径有4类，如下图所示，这4类路径可分为片间路径（标记①和标记③)和片内路径（标记②和标记④）。 ? 对于所有的时序路径，我们都要明确其起点和终点，这4类时序路径的起点和终点分别如下表。，也就是FPGA内部的时序逻辑。时序模型典型的时序模型如下图所示，一个完整的时序路径包括源时钟路径、数据路径和目的时钟路径，也可以表示为触发器+组合逻辑+触发器的模型。 ? 该时序模型的要求为(公式1) Tclk ≥ Tco + Tlogic + Trouting + Tsetup - Tskew 其中，Tco为发端寄存器时钟到输出时间；Tlogic为组合逻辑延迟；Trouting

2020-06-30

1.8K0

标签:

pycaret之集成模型（集成模型、混合模型、堆叠模型）

1、集成模型组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 Bagging：Bagging，也称为Bootstrap聚合，是一种机器学习集成元算法，旨在提高统计分类和回归中使用的机器学习算法的稳定性和准确性。它还可以减少差异并有助于避免过度拟合。套袋是模型平均方法的特例。 Boosting：Boosting是一种集成元算法，主要用于减少监督学习中的偏见和差异。提升属于机器学习算法家族，可将弱学习者转化为强学习者。 3、堆叠模型堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。

2020-10-27

3.7K0

标签:

时序论文41 | Medformer：基于多粒度patch的时序分类模型

，模型名为Medformer，专门用于医疗时间序列（MedTS）分类。本文模型模型结构比较容易看明白，左侧A是骨干网络，就是Transformer，核心贡献有两部分，分别在嵌入层和注意力层，分别对应“跨通道多粒度patch嵌入”和“多粒度自注意力”。然后，这些patch通过线性投影映射到潜在嵌入空间，并进行数据增强以提高模型的学习能力。通过结合这两个阶段，Medformer有效地整合了不同时间尺度上的特征，增强了模型捕捉细粒度和大粒度模式的能力。相比简单地连接所有patch并对其进行自注意力的方式，降低了计算复杂性。多模态数据融合：目前的研究仅关注了单一类型的医学时间序列数据，是否可以探索将 Medformer 模型扩展到多模态数据融合的场景？

2025-02-28

8101

标签:

Chronos：语言模型架构适配时序预测

Chronos：适配语言模型架构用于时间序列预测将时间序列数据分词并像语言一样处理，使得模型的零样本性能能够匹配甚至超越专用模型。然而，开发基于机器学习的准确预测模型传统上需要大量针对数据集的调整和模型定制。在刚刚发布到arXiv的一篇论文中，提出了Chronos，一个基于语言模型架构的预训练时间序列模型家族。与大型语言模型或视觉语言模型一样，Chronos是一个基础模型，它从大型数据集中学习如何生成适用于广泛任务的通用表示。中间：标记被输入到语言模型中，该模型使用交叉熵损失进行训练。右侧：在推理过程中，标记从模型中自回归采样，并映射回数值。尽管其架构简单，Chronos却异常准确。从业者无需为每个特定应用训练单独的模型，而是可以直接使用现成的Chronos模型立即进行准确预测，从而降低计算成本并更容易采用先进的预测技术。

2026-04-06

5170

标签:

应对系统性金融风险：基于时序集成模型的传感器反欺诈实践

时序数据集切分：将用户行为在时间维度上进行切片，设定0s, 30s、30s, 48s、48s, 71s等不同时间记录窗口，结合“静默+联系地址/联系电话/公司名称”等操作内容形成子模块与父模块。复合模型集成计算：前端采用BiLSTM（双向长短期记忆网络）基模型处理多维时间序列特征，后端接入XGBoost集成模型进行交叉验证与最终风险输出。降低反诈数据成本与提升实时侦测效能该传感器反欺诈模型的应用，将传统的滞后型表单风控转化为实时物理行为风控，在业务指标与风控效能上实现了量化的价值转化：精准定位欺诈行为特征：模型能够高精度区分设备所处的不同状态运转自动化风控平台与人机协同审核闭环在实际业务系统的落地中，该反欺诈架构被集成至统一的后台监控管理平台，实现了从API调用、场景监测到用户征信与图像识别的全栈联动。方案不仅在技术端实现了从底层数据治理到集成模型（BiLSTM+XGBoost）调优的顺滑部署，更在业务端契合了“总体国家安全观”的指导思想。

2026-05-30

1840

标签:

时序论文27｜Fredformer：频域去偏差的时序预测Transformer模型

/2406.09009 代码链接：https://github.com/chenzRG/Fredformer 前言这篇文章发表于KDD2024，作者的出发点以及写作思路特别好，属于先通过定量分析发现时序预测任务中，频域信息利用不合理的问题，然后有针对性的设计了Fredformer模型，最后进行实验评估。所以论文读下来很顺畅，模型设计也让你感觉有据可循。所以理解这篇文章，首先要跟着作者的思路。来看上面这张图，作者挑选了三个模型，分别是FEDformer、Patch TST和本文模型。上面左图中的k1表示低频特征，模型成功捕捉到了低频成分k1的振幅，但未能捕捉到k2和k3，所以下方的relative error热图值基本只在k1有优化，表明模型主要集中于学习k1成分。未来改进可以进一步扩展其在更多样化数据集上的测试，包括那些带有噪声和异常值的真实世界数据，以验证模型的鲁棒性。同时，研究超参数优化、长期预测能力、模型解释性。

2024-09-27

1.4K0

标签:

《数字集成电路静态时序分析基础》笔记⑦

网络课程《数字集成电路静态时序分析基础》的笔记地址：https://www.iccollege.cn/portal/courseDetail/193.mooc 建立时间和保持时间检查建立时间检查最常见的路径时序检查之前，由于外部没有时钟设定，要先设定虚拟时钟 ? 时序报告如下 ? ? flipflop to output ? 要额外设定load约束 ? 同样设定了虚拟时钟 ? 时序报告，注意path group是虚拟时钟，按照终点时钟分类。 launch path，output delay不在这里 ? 时序报告： ? ? ? 这样时序不满足，需要修改保持时间检查 ? 与建立时间一致，通过launch path和captured path进行检查 ? 时序报告 ? ? reg to output ? 时序报告 ? 依然没有hold time，全部算在output delay里 ? input to output ? 外加约束 ? 时序报告 ? ?

空白的贝塔

2020-06-24

1.9K0

标签:

《数字集成电路静态时序分析基础》笔记⑤

网络课程《数字集成电路静态时序分析基础》的笔记地址：https://www.iccollege.cn/portal/courseDetail/193.mooc 标准单元库时序库概述 ? 一个模型 ? 包含信息：库名、查找表、各参数单位 ? 对应起之前TCL中cell的信息非线性延迟模型延迟模型 ? 以一个反相器为例，输入上升对应输出下降，输入下降对应输出上升，一次考虑延迟模型。时序模型由两种，上图中的是线性模型。随着制程越来越小，线性模型会越来越不准确，现在基本都使用非线性模型。 ? 非线性模型就像前面的例子，非线性模型使用一个二维查找表储存，如下图中的index1和index2，这两个是查找表的索引，查找表中会包含不同路径、上升或下降转换等不同的延迟信息。 ? ? ? 时序模型组合逻辑 ? 有两条timing arc。 ? 时序单元 ? 相比组合逻辑时序单元的路径更加复杂。建立时间 ? 保持时间 ? CK-Q ? 线延迟分布式模型 ?

空白的贝塔

2020-06-24

1K0

标签:

《数字集成电路静态时序分析基础》笔记⑧

网络课程《数字集成电路静态时序分析基础》的笔记地址：https://www.iccollege.cn/portal/courseDetail/193.mooc 多周期半周期伪路径多周期路径通常对于普通路径来说建立时间检查多周期时序约束 ? 一个简单的例子，对于多周期路径，建立时间检查边沿会推到第三个周期 ? 多周期时序路径，launch path和普通的没有区别 ? 时序路径就会变化，launch path没有变化，主要是capture path变化了 ? ? clock CLKP变成了20，时序不满足。该分析的路径就应该施加准确的时序约束，只对真正的伪路径设定伪路径 ?

空白的贝塔

2020-06-24

1.1K0

标签:

《数字集成电路静态时序分析基础》笔记⑩

网络课程《数字集成电路静态时序分析基础》的笔记地址：https://www.iccollege.cn/portal/courseDetail/193.mooc 鲁棒性检查工艺制成和环境因素会导致die 时序变紧，最大时钟周期为7.171ns。对于建立时间，early会施加在捕获路径上，late会施加在发射路径上，cell会施加在cell的建立时间上。引入OCV以后的时序报告，发射路径 ? ? 看到高亮处，在发射路径和捕获路径不一样，这是由于derate参数设置的问题，而红线标识的CPP就是在补偿。 ? 那么时序报告如下 ? ? CPP也被去掉了 ?

空白的贝塔

2020-06-24

7580

标签: