(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110514211.7 (22)申请日 2021.05.12 (65)同一申请的已公布的文献号 申请公布号 CN 113361189 A (43)申请公布日 2021.09.07 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 刘震　梅文娟　刘昊天　龙兵　 (74)专利代理 机构 四川鼎韬律师事务所 513 32 代理人 温利平 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 119/02(2020.01) (56)对比文件 CN 110633516 A,2019.12.31 CN 111931413 A,2020.1 1.13 CN 110458278 A,2019.1 1.15 CN 108645 615 A,2018.10.12CN 110598334 A,2019.12.20 CN 110220725 A,2019.09.10 US 20152545 54 A1,2015.09.10 US 2010023307 A1,2010.01.28 Wenjuan Mei 等.Evolved-Cooperative Correntropy-Based Extreme Learn ing Machine for Robust Predicti on. 《Entropy》 .2019, 卫炳坤等.基 于动态长短期记 忆网络的设备 性能退化预测方法. 《北京化工大 学学报( 自然 科学版)》 .2020,第47 卷(第6期), 周佑光.基 于循环神经网络的轴承性能退化 趋势预测方法研究. 《中国优秀博硕士学位 论文 全文数据库(硕士)工程科技 Ⅱ辑》 .2020,(第6 期), 梅文娟等.基 于在线相关熵极限学习机的器 件退化趋势实时流预测方法. 《仪 器仪表学报》 .2019,第40卷(第1 1期), (续) 审查员 尤鑫 (54)发明名称 基于多步鲁棒预测学习机的芯片性能退化 趋势预测方法 (57)摘要 本发明公开了一种基于多步鲁棒预测学习 机的芯片性能退化趋势预测方法， 结合极限学习 机和循环神经网络， 具备极高的信息融合能力和 信息快速处理能力， 同时， 通过建立误差编码本 构建了基于相关熵的相似性， 根据芯片退化多样 性和动态 性建立实时预测模型更新， 克服干扰对 预测结果的影响。 因此， 本发明相较于现有方法 具有更高的在线预测精度， 且多步预测结果相较 于现有方法更加准确。 [转续页] 权利要求书2页 说明书6页 附图2页 CN 113361189 B 2022.04.19 CN 113361189 B (56)对比文件 Sheng Ho ng等.Application of Gaus sian Process Regres sion for Beari ng Degradati on Assessment. 《2012 6th Internati onal Conference o n New Trends i n Informati on Science, Service Science and Data Mining (ISSDM2012)》 .2013, 郭田丽.区域 地下水埋深的数据驱动预报模 型研究. 《中国优秀博硕士学位 论文全文数据库 (硕士)基础科 学辑》 .2021,(第2期),2/2 页 2[接上页] CN 113361189 B1.一种基于多步鲁棒预测学习机的芯片性能退化趋势预测方法， 其特征在于， 包括以 下步骤： (1)、 初始化预测模型 1.1)、 设定最大预测步数K， 导入训练历史数据Xhisto＝{x1,x2,…,xt0}， 其中xt为第t个时 刻传感器记录下的芯片性能表征参数 数据， t＝1,2, …,t0， t0是历史数据的个数； 初始化循环神经网络的结构M＝{M1,M2,M3,…,MK}， Mk＝{Xk,Whk, βk,Ek, σk}为第k步预测 的神经网络模块， 其中， Xk为神经网络模块Mk的输入， Whk为神经网络模块Mk的隐藏层权重， βk 为神经网络模块Mk的输出层权重， Ek为神经网络模块Mk的编码本记录下的预测误差， σk为神 经网络模块Mk的编码本记录下的估计方差； 利用最优熵率方法得到模型输入样本的最优预测维数m和延迟系数td； 初始化Whk为m×N的二维随机矩阵， βk为N维零矢量； 1.2)、 计算第k 步神经网络模块Mk的输入矢量Xk： 设置第k步神经网络模块Mk的真实输出为： 1.3)、 生成离线训练下的循环神经网络作为预测模型 1.3.1)、 计算隐藏层输入Hk： 其中， 是第k步神经网络模块Mk的第t个输入对应的隐藏层输入， t＝1,2, …,t0‑k‑ mtd： 其中， f(.)为Sigmo id激活函数； 1.3.2)、 生成输出层的权 重βk： 1.3.3)、 计算预测输出 1.4)、 生成离线训练状态下的误差编码本 1.4.1)、 统计神经网络模块Mk的编码本记录下的预测误差 1 .4 .2)、 估计神经网络模块Mk的编码本记录下的估计方差 其中med(.)为中位数计算； (2)、 实时多步预测 2.1)、 初始化预测模型的运行时刻ts为t0+1； 2.2)、 获取传感器记录下的芯片性能表征参数 数据xts权　利　要　求　书 1/2 页 2 CN 113361189 B 3