- 综合排序
- 最热优先
- 最新优先
- 来自专栏海风
Clock Skew , Clock Uncertainty和 Period
Clock Uncertainty Clock Uncertainty 的概念比较好理解，就是时钟的不确定性。时钟不确定性是时钟本身的不完美导致的。 不同情况下，Clock Uncertainty 的计算方式是不一样的，譬如DCM时钟下 Clock Uncertainty = [√(INPUT_JITTER² + SYSTEM_JITTER²) + 对于clock uncertainty和clock jitter来说，好像并没有什么太值得注意的地方。 3. : 0.200ns 周期约束分析 结合三节内容来看，注意式子Slack = requirement - (data path - clock path skew + uncertainty requirement是由时钟周期确定的，要判断时钟的周期约束是否得到满足，计算data path - clock path skew + uncertainty是否大于requirement 即可。
2.4K30发布于 2019-07-31 - 来自专栏challenge filter
Dynamic Cloud Resource Allocation Considering Demand Uncertainty
Dynamic Cloud Resource Allocation Considering Demand Uncertainty 2019 TCC,CCF C类 看到C类效果这样心里还是有点底，这个用来 作者引经据典，指出demand uncertainty can be modeled by a normal distribution。
61920编辑于 2022-06-17 - 来自专栏爱生活爱编程
prophet Uncertainty Intervals不确定性区间
例子代码 https://github.com/lilihongjava/prophet_demo/tree/master/uncertainty_intervals # encoding: utf-8 参考资料： https://facebook.github.io/prophet/docs/uncertainty_intervals.html
1.2K10发布于 2021-01-14 - 来自专栏深度学习进阶
基线估计(二)：GP与Model Uncertainty，高斯过程在异常检测中的应用
1 背景 深度学习虽然在许多领域都得到了较好的应用，但是传统深度学习通常采用最大似然估计来训练，导致模型本身难以衡量模型的不确定性（Model Uncertainty）[1]。 image.png 左图为softmax的输入，灰色部分为输入的uncertainty，即softmax的输入会在灰色部分随机出现；右图是softmax的输出，我们可以看到输出部分缺乏uncertainty gaussian_processes/blob/main/test/cov_func_test.py 参考资料 [1] Dropout as a Bayesian Approximation: Representing Model Uncertainty
1.7K40发布于 2021-09-15 - 来自专栏FPGA探索者
CTS 时钟树综合对 uncertainty 的影响
在 pre-CTS 的时序约束中，setup 和 hold 的 clock uncertainty 分别由什么组成。 解析： （1）名词解释 jitter，时钟抖动； skew，时钟偏斜； uncertainty，时钟不确定性，包括 jitter 和 skew； Clock Tree Synthesis，时钟树综合 ，简称CTS； （2）具体分析 clock 时钟有不确定性（clock uncertainty），其中包括 clock jitter（时钟抖动）和 clock skew（时钟偏斜）。 jitter； 如下图所示： post-CTS 后布局阶段，时钟树 clock tree 已经综合，所以 clock tree 的 skew 已经确定，在分析 setup 和 hold 时的clock uncertainty 不确定性时，不需要将 skew 作为时钟不确定性的一部分（clock uncertainty）； 对于 setup，由于发射沿和捕获沿是相邻的两个沿，所以不确定性要考虑 jitter； 对于 hold
6.7K21编辑于 2022-05-26 - 来自专栏生信技能树
(IF=14.5)11个高分杂志的scATAC-seq数据分析实战：GSE173682（paper代码学习）
<- depth.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment+1), <- TSS.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment <- depth.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment <- depth.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment ","TSSEnrichment") colnames(df.depth) <- c("cellNames","depth.cluster","depth.cluster.uncertainty","nFrags
32700编辑于 2025-06-09 - 来自专栏工作学习
STA学习记录2-时钟定义
来指定时钟周期的timing uncertainty，用不确定度来建模那些**会降低有效时钟周期**的因素set\_clock\_uncertainty -setup 0.2 [get\_clocks check，clock uncertainty被用作需要满足的额外时序裕量这里我的理解是，由于clock uncertainty的存在，减小了有效的时钟周期，并且在clock uncertainty范围内 ，被称为 **inter-clock uncertainty**set\_clock\_uncertainty -from VIRTUAL-SYS\_CLK -to SYSCLK -hold 0.05set \_clock\_uncertainty -from VIRTUAL-SYS\_CLK -to SYSCLK -setup 0.3set\_clock\_uncertainty -from SYS\_CLK clock domain SYS_CLK和CFG_CLK之间的path，根据上面约束可知，setup check的uncertainty是100ps，hold check的uncertainty是50ps4
1.1K00编辑于 2022-11-17 - 来自专栏Lauren的FPGA
深度解析ug1292（9）
Clock Uncertainty跟图1所示的几个因素有关。当时序违例路径的Clock Uncertainty超过0.1ns时，应引起关注。 这一数值可在时序报告中查找到，如图2所示，如果需要降低Clock Uncertainty，可采用如图3所示的流程。 ? 图1 Clock Uncertainty相关因素 ? 图2 Timing Report中查看Clock Uncertainty ? 此时，可利用BUFGCE_DIV的分频功能，同时可对这两个时钟设置CLOCK_DELAY_GROUP属性，从而降低Clock Uncertainty。 ? Discrete Jitter是由MMCM/PLL引入的，其具体数值可通过点击图2中Clock Uncertainty的数值查看，如图5所示。
1K20发布于 2019-10-30 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MOD08_M3 V6是一个大气全球产品，包含每月1×1度网格的大气参数平均值。包含气溶胶颗粒特性、臭氧总负荷、大气水汽、云的光学和物理特性以及大气稳定性等
product also provides means, standard deviations, QA weighted statistics, log-normal distributions, uncertainty Liquid water cloud optical thickness: multi-day absolute uncertainty estimate derived from the daily absolute uncertainty estimate 0 2000 0.01 Cloud_Optical_Thickness_Liquid_Log_Mean_Uncertainty Liquid water cloud optical thickness: multi-day absolute log uncertainty estimate derived from the daily absolute log uncertainty estimate 0 4477 0.001 使用说明： "This dataset is in the public domain and is available
30510编辑于 2024-02-02 - 来自专栏文献分享及代码学习
单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析7
<- depth.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment+ <- TSS.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment+1) <- depth.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment+ <- depth.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment+ ","TSSEnrichment")colnames(df.depth) <- c("cellNames","depth.cluster","depth.cluster.uncertainty","nFrags
1.4K50编辑于 2022-08-29 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MOD08_M3/MYD08_M3 V6.1是一个大气全球产品，包含大气参数的每月1×1度网格平均值
product also provides means, standard deviations, QA weighted statistics, log-normal distributions, uncertainty Liquid water cloud optical thickness: multi-day absolute uncertainty estimate derived from the daily absolute uncertainty estimate 0 2000 0.01 Cloud_Optical_Thickness_Liquid_Log_Mean_Uncertainty Liquid water cloud optical thickness: multi-day absolute log uncertainty estimate derived from the daily absolute log uncertainty estimate 0 4477 0.001 使用说明： This dataset is in the public domain and is available without
37710编辑于 2024-02-02 - 来自专栏从百草园到三味书屋
MIT 6.S91 Introduction Deep Learning Notes
Policy Gradient AlphaGo 6.DL Limitations and New Frontiers limitations Generalization data is important Uncertainty Uncertainty in Deep Learning longer version：NeurIPS 2020 Tutorial @Google AI Brain Team Return a distribution recognition: new classes may appear at test time label shift: distribution of label changes sources of uncertainty Model uncertainty 认知上的不确定性 Data uncertainty human disagreement label noise measurement noise missing to compute BDN GP Deep Ensemble MCMC multi-input and multi output（MIMO） how to communicate with uncertainty
44630编辑于 2023-03-09 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine ——MOD08_M3 V6是一个大气全球产品，包含每月1×1度网格的大气参数平均值。这些参数与大气气溶胶颗粒特性、臭氧总负荷、大气水汽、云的光学和物理特性
product also provides means, standard deviations, QA weighted statistics, log-normal distributions, uncertainty Liquid water cloud optical thickness: multi-day absolute uncertainty estimate derived from the daily absolute uncertainty estimate 0 2000 0.01 Cloud_Optical_Thickness_Liquid_Log_Mean_Uncertainty Liquid water cloud optical thickness: multi-day absolute log uncertainty estimate derived from the daily absolute log uncertainty estimate 0 使用说明： "This dataset is in the public domain and is available \ without
30510编辑于 2024-02-02 - 来自专栏CreateAMind
Model-Based 两篇paper
optimization can be used to perform temporally coordinated exploration in conjunction with estimating uncertainty arxiv.org/pdf/1811.01848.pdf IMPROVING MODEL-BASED CONTROL AND ACTIVE EXPLORATION WITH RECONSTRUCTION UNCERTAINTY In this work, we propose a model-agnostic method for estimating the uncertainty of a model’s predictions As our experiments show, this uncertainty estimation can be used to improve control performance on a active learning to explore more efficiently the environment by planning for trajectories with high uncertainty
62230发布于 2018-12-28 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine——300米的空间分辨率提供了2010年地面和地下生物质碳密度的时间一致性和统一的全球地图，地面生物量地图整合了针对土地覆盖的木质、草原、耕地和苔原生物量的遥感
Maps reporting the accumulated uncertainty of pixel-level estimates are also provided. The NASA/ORNL carbon biomass dataset represents biomass conditions for 2010, with uncertainty estimates Uncertainty of estimated aboveground living biomass carbon density of combined woody and herbaceous Uncertainty represents the cumulative standard error that has been propagated through the harmonization Uncertainty of estimated belowground living biomass carbon density of combined woody and herbaceous
27110编辑于 2024-02-02 - 来自专栏文献分享及代码学习
单细胞代码解析-妇科癌症单细胞转录组及染色质可及性分析13
<- depth.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment+ (proj.i$TSSEnrichment+1),G = 2) proj.i$TSS.cluster <- TSS.clust$classification proj.i$TSS.cluster.uncertainty <- TSS.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment+1) <- depth.clust$uncertainty ggPoint( x = log10(proj.i$nFrags), y = log10(proj.i$TSSEnrichment+ ","TSSEnrichment")colnames(df.depth) <- c("cellNames","depth.cluster","depth.cluster.uncertainty","nFrags
77720编辑于 2022-09-04 - 来自专栏Python编程和深度学习
半监督方法：不确定性感知自增强模型（MICCAI 2019）[github代码]
今天分享一篇发表在MICCAI 2019上的论文：Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation 2.2 半监督分割 (Semi-supervised segmentation) image.png 2.3 不确定性感知 (Uncertainty-Aware Mean Teacher Framework ) image.png 2.3.1 不确定性评估 (Uncertainty Estimation) image.png 2.3.2 基于不确定性的一致性损失函数 (Uncertainty-Aware
1.5K20发布于 2020-06-24 课前准备-单细胞velocity分析（贝叶斯模型）
Probabilistic modeling of RNA velocityDirect modeling of raw spliced and unspliced read countMultiple uncertainty adata_model_pos[0]posterior_samples = adata_model_pos[1]v_map_all, embeds_radian, fdri = vector_field_uncertainty # and averaged cell vector field uncertainty on the grid points# based on angular standard deviationfig embedding}'][:, 1][select], ax=ax[0], levels=3, fill=False)# This generates vector field uncertainty train_size=1.0)mae_evaluate(adata_model_pos[1], adata)v_map_all, embeds_radian, fdri = vector_field_uncertainty
23810编辑于 2024-06-16- 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine（GEE）——GEDI L4B全球地表生物量密度1000m分辨率数据集
V1 Variance component 1 (V1): Uncertainty in the estimate of mean biomass due to the field-to-GEDI model V2 Variance component 2 (V2) If Mode of Inference = 1, this is the uncertainty due to GEDI's sampling of the 1 km cell.If Mode of Inference = 2, this is uncertainty owing to the model predicting biomass biomass density standard error (SE): Standard Error of the mean estimate, combining sampling and modeling uncertainty If Mode of Inference = 2, this is uncertainty owing to the model predicting biomass using wall-to-wall
73510编辑于 2024-02-02 - 来自专栏陌上风骑驴看IC
论STA | min pulse width
width = （时钟源头原始下降沿时间 + 下降沿到达时序逻辑clock pin 最早时间） - （时钟源头原始上升沿时间 + 上升沿到达时序逻辑clock pin 最晚时间） + CPPR - uncertainty = （ original_fall + fall_early arrival time ) - ( original_rise + rise_late arrival time ) + CPPR - uncertainty pulse width = （时钟周期 + 下一上升沿到达时序逻辑clock pin 最早时间） - （时钟源头原始下降沿时间 + 下降沿到达时序逻辑clock pin 最晚时间） + CPPR - uncertainty = （ period + rise_early arrival time ) - ( original_fall + fall_late arrival time ) + CPPR - uncertainty Innovus 跟Tempus 在做min pulse width check 时默认不将uncertainty 计算在内，可以用如下变量控制，因为clock uncertainty 通常用于模拟clock
12.3K34发布于 2020-02-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号