二级数字下变频的低功耗GPS接收机

    公开(公告)号:CN101144857A

    公开(公告)日:2008-03-19

    申请号:CN200710133933.8

    申请日:2007-10-16

    Applicant: 东南大学

    Abstract: 本发明提出了一种二级数字下变频的低功耗GPS接收机结构,在传统接收机接收通道之前引入预下变频电路,该电路将GPS信号搬移到近似零频处,并将其转化为正交信号;下变频之后的GPS数字信号通过抽取减小采样频率和采样数据,并且提供给后续的GPS接收通道,后续的GPS接收通道不采样CLKH,而是由预下变频电路产生的CLKL驱动;接收通道与传统接收器中的接收通道结构完全一致,只是驱动时钟为CLKL。通过预下变频将1-5MHz左右的中频信号下变频到近似零中频,抽取并将GPS数字信号的采样频率降低,从而达到降低GPS跟踪功耗的目的。

    全球定位系统相关器电路

    公开(公告)号:CN101109801A

    公开(公告)日:2008-01-23

    申请号:CN200710024877.4

    申请日:2007-07-06

    Applicant: 东南大学

    Abstract: 本发明公开了一种全球定位系统相关器电路,包括:6位全加器、寄存器组、锁存器组和时钟产生电路,6位全加器与寄存器组连接,寄存器组与锁存器组连接,时钟产生电路的第一时钟信号作寄存器组的开关控制信号,时钟产生电路的第二时钟信号作寄存器组的复位信号和锁存器组的开关控制信号,在6位全加器与锁存器组之间设有14位计数器,14位计数器功能控制端C与6位全加器最高位进位信号端连接,14位计数器的14个输出端分别与锁存器组的第七至第二十输入端连接,时钟产生电路产生的第一时钟信号同时用作14位计数器的时钟信号,时钟产生电路产生的第二时钟信号经过延时单元延时后形成第三时钟信号,该第三时钟信号用作14位计数器的复位信号。

    低位线摆幅的低功耗静态随机存储器

    公开(公告)号:CN1606096A

    公开(公告)日:2005-04-13

    申请号:CN200410065237.4

    申请日:2004-11-03

    Applicant: 东南大学

    Abstract: 低位线摆幅的低功耗静态随机存储器是一种高性能存储器的设计,该存储器包括基于电荷共享的预充电电路、存储体单元、行解码器、列解码器、选择器、读写控制电路、灵敏放大器、输入处理电路;其中,基于电荷共享的预充电电路的“位线”端分别接选择器的“双向端口”,行解码器与“字线”相接,在每对两相邻的“位线”上分别接有一个存储体单元,存储体单元的“字线”端接在“字线”上;列解码器输出端分别接选择器的“使能信号”端;读写控制电路的输入端接读写信号,输出端中的“放大器使能信号”接灵敏放大器,输出端中的“写使能信号”接输入处理电路;输入处理电路的输出端分别接灵敏放大器以及选择器的输入端。

    一种时序电路统计分析中的关键工艺波动确定方法

    公开(公告)号:CN110738014B

    公开(公告)日:2022-11-18

    申请号:CN201910922772.3

    申请日:2019-09-27

    Applicant: 东南大学

    Abstract: 本发明公开了一种时序电路统计分析中的关键工艺波动确定方法,本发明首先定义参考工作条件,并基于多元线性回归求出在参考工作条件下所有单元的各工艺波动参考权重,其中工作条件至少包含电压、温度、输入转换时间和输出电容,权重定义为工艺波动对单元/电路延迟的影响程度;利用随机生成的多组不同工作条件及各条件下的工艺波动权重,构建工艺波动权重与参考权重、工作条件偏差之间的二阶模型;通过单次电路仿真得到各单元的工作条件,通过二阶模型得到对应的工艺波动权重。根据较大权重所对应的工艺波动作为关键参数,可以实现电路的工艺波动参数快速降维。

    基于人工神经网络的LRU Cache预取机制性能收益评估方法

    公开(公告)号:CN108509723B

    公开(公告)日:2022-05-03

    申请号:CN201810283273.X

    申请日:2018-04-02

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于人工神经网络的LRU Cache预取机制性能收益评估方法,选取神经网络训练参数拟合预取机制引入前的访存堆栈距离分布与预取机制引入后的Cache访问缺失次数,构建神经网络模型;计算目标程序的目标堆栈距离分布;将计算得到的目标堆栈距离分布导入构建的神经网络模型,预测不同目标程序在当前预取机制下的Cache访问缺失次数;利用堆栈距离分布计算预取机制引入前的Cache访问缺失次数,将预测的当前预取机制下的Cache访问缺失次数与预取机制引入前的Cache访问缺失次数进行对比,评估预取机制性能收益。可大幅提升Cache预取机制性能收益的预测速度。

    基于聚类获取应用程序乱序访存行为模式的方法

    公开(公告)号:CN108762811B

    公开(公告)日:2022-03-22

    申请号:CN201810283802.6

    申请日:2018-04-02

    Applicant: 东南大学

    Abstract: 本发明公开了一种基于聚类获取应用程序乱序访存行为模式的方法,对应用程序的乱序执行流进行重排序,得到访存顺序执行流,分别提取顺序执行流堆栈距离分布和乱序执行流堆栈距离分布;计算每个线程的顺序执行流堆栈距离分布和乱序执行流堆栈距离分布的堆栈距离分布变化百分比;对所有线程的堆栈距离分布变化百分比进行聚类;根据聚类结果,从每一类中选出距离质心最近的线程的程序片段。使用该方法获得的访存行为模式可以作为一个程序内部指令乱序的最小变化单位,提供更细粒度的乱序行为分析。

    一种时序电路统计分析中的关键工艺波动确定方法

    公开(公告)号:CN110738014A

    公开(公告)日:2020-01-31

    申请号:CN201910922772.3

    申请日:2019-09-27

    Applicant: 东南大学

    Abstract: 本发明公开了一种时序电路统计分析中的关键工艺波动确定方法,本发明首先定义参考工作条件,并基于多元线性回归求出在参考工作条件下所有单元的各工艺波动参考权重,其中工作条件至少包含电压、温度、输入转换时间和输出电容,权重定义为工艺波动对单元/电路延迟的影响程度;利用随机生成的多组不同工作条件及各条件下的工艺波动权重,构建工艺波动权重与参考权重、工作条件偏差之间的二阶模型;通过单次电路仿真得到各单元的工作条件,通过二阶模型得到对应的工艺波动权重。根据较大权重所对应的工艺波动作为关键参数,可以实现电路的工艺波动参数快速降维。

    一种基于统计推演的期望堆栈距离快速提取方法

    公开(公告)号:CN105677584B

    公开(公告)日:2019-01-04

    申请号:CN201511018082.3

    申请日:2015-12-29

    Abstract: 本发明公开了一种基于统计推演的期望堆栈距离快速提取方法,在借助Gem5获取目标程序访存Trace流的基础上,依照执行顺序对每次访存请求进行标号。并利用红黑树索引结构记录访存地址及标号;当重用产生时,通过将当前请求执行标号同红黑树中记录的前次访存标号相减,获取重用距离;本发明通过采样的方法,找出重用距离与基于Cache组关联的重用距离之间的转换关系,推导了重用距离分布与期望堆栈距离分布之间的转换关系。由于重用距离提取时间成本较低,且基于Cache组关联结构的期望堆栈距离分布可从上述的两次转换过程中获得。所以,本发明大幅提升了利用堆栈距离评估LRU‑Cache访存行为的速度。

    基于聚类获取应用程序乱序访存行为模式的方法

    公开(公告)号:CN108762811A

    公开(公告)日:2018-11-06

    申请号:CN201810283802.6

    申请日:2018-04-02

    Applicant: 东南大学

    CPC classification number: G06F9/3836 G06K9/6223

    Abstract: 本发明公开了一种基于聚类获取应用程序乱序访存行为模式的方法,对应用程序的乱序执行流进行重排序,得到访存顺序执行流,分别提取顺序执行流堆栈距离分布和乱序执行流堆栈距离分布;计算每个线程的顺序执行流堆栈距离分布和乱序执行流堆栈距离分布的堆栈距离分布变化百分比;对所有线程的堆栈距离分布变化百分比进行聚类;根据聚类结果,从每一类中选出距离质心最近的线程的程序片段。使用该方法获得的访存行为模式可以作为一个程序内部指令乱序的最小变化单位,提供更细粒度的乱序行为分析。

    超标量乱序处理器稳定状态指令吞吐率建模方法

    公开(公告)号:CN108519906A

    公开(公告)日:2018-09-11

    申请号:CN201810229640.8

    申请日:2018-03-20

    Applicant: 东南大学

    Abstract: 本发明公开了一种超标量乱序处理器稳定状态指令吞吐率建模方法,获取每个统计阶段与稳态平均吞吐率相关的微架构无关参数,所述微架构无关参数至少包括依赖链路延迟分布;利用聚类算法进行分类,选取得到神经网络的训练集;将所选取的神经网络的训练集中的微架构无关参数作为神经网络的输入,将通过时序精确仿真获得对应训练集的线程稳态指令吞吐率作为神经网络的输出,对神经网络的输入和输出进行拟合,通过调节神经网络的迭代次数、网络拓扑结构、传递函数以及预设训练精度,训练得到给定硬件的稳态指令吞吐率神经网络模型。根据指令依赖链路延迟分布的微架构无关的特征,可以快速准确地预测给定微架构的超标量乱序处理器稳态下的指令吞吐率。

Patent Agency Ranking