数字IC产品性能评价模型研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 引言 | 第7-13页 |
| ·论文研究的背景及意义 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·综合评价方法发展和研究现状 | 第8-9页 |
| ·数字IC 产品性能评价研究现状 | 第9-10页 |
| ·本文组织结构、研究方法及技术路线 | 第10-13页 |
| ·论文组织结构 | 第10-11页 |
| ·研究方法 | 第11页 |
| ·论文研究的技术路线 | 第11-13页 |
| 第二章 数字 IC 相关知识概述 | 第13-19页 |
| ·IC | 第13-14页 |
| ·IC | 第13页 |
| ·IC 分类 | 第13-14页 |
| ·数字IC | 第14-18页 |
| ·数字IC 产品类别 | 第14-15页 |
| ·微处理器 | 第15-16页 |
| ·微控制器 | 第16-17页 |
| ·数字信号处理器 | 第17页 |
| ·专用集成电路 | 第17-18页 |
| ·系统级芯片 | 第18页 |
| ·本章小结 | 第18-19页 |
| 第三章 数字 IC 产品性能评价指标的构建 | 第19-29页 |
| ·评价指标应具有的功能、指导思想及设计原则 | 第19-21页 |
| ·评价指标应具有的功能 | 第19页 |
| ·设计评价指标的指导思想 | 第19-20页 |
| ·设计指标体系的基本原则 | 第20-21页 |
| ·数字IC 产品性能的评价指标 | 第21-22页 |
| ·主要指标的含义解释 | 第22-24页 |
| ·评价指标的预处理 | 第24-26页 |
| ·定量指标的同趋势化 | 第24-25页 |
| ·定量指标的无量纲化 | 第25-26页 |
| ·确定指标权重的方法 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第四章 数字 IC 产品性能评价模型分析 | 第29-49页 |
| ·主要综合评价模型方法介绍及比较 | 第29-31页 |
| ·PCA 评价模型法 | 第31-37页 |
| ·PCA 原理 | 第32-34页 |
| ·PCA 算法步骤 | 第34-36页 |
| ·PCA 评价流程 | 第36-37页 |
| ·基于PCA 的评价模型实证研究 | 第37-43页 |
| ·样本的选取与数据的来源 | 第37-38页 |
| ·运用PCA 模型进行评价 | 第38-42页 |
| ·评价结论与分析 | 第42-43页 |
| ·数字IC 评价模型的改进 | 第43-48页 |
| ·改进PCA 确定权重的方法 | 第44-47页 |
| ·BP-PCA 评价模型 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 BP-PCA 评价模型 | 第49-75页 |
| ·神经网络基本概念和原理 | 第50-55页 |
| ·人工神经网络 | 第50-51页 |
| ·传递函数 | 第51-52页 |
| ·神经网络结构 | 第52-54页 |
| ·多层的神经网络 | 第54-55页 |
| ·BP 神经网络与学习算法 | 第55-59页 |
| ·Matlab 神经网络工具箱 | 第56-57页 |
| ·BP 网络的建立、训练和测试 | 第57-59页 |
| ·BP-PCA 评价模型实证研究 | 第59-73页 |
| ·BP 神经网络的建立 | 第61-63页 |
| ·网络初始化 | 第63-65页 |
| ·网络学习与训练 | 第65-71页 |
| ·网络仿真 | 第71-72页 |
| ·研究结论 | 第72-73页 |
| ·本章小结 | 第73-75页 |
| 第六章 总结与展望 | 第75-77页 |
| ·论文总结 | 第75-76页 |
| ·未来工作展望 | 第76-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 读研期间科研成果 | 第82-83页 |
| 附录A | 第83-96页 |
| 附录B | 第96-98页 |
