无理数字典码的测试数据压缩方案

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (7): 235-237.

无理数字典码的测试数据压缩方案

吴海峰1，詹文法2，程一飞1

1.安庆师范学院计算机与信息学院，安徽安庆 246011
2.安庆师范学院科研处，安徽安庆 246011

出版日期:2014-04-01 发布日期:2014-04-25

Scheme of test data compression based on irrational number dictionary code

WU Haifeng1, ZHAN Wenfa2, CHENG Yifei1

1.School of Computer and Information, Anqing Normal College, Anqing, Anhui 246011, China
2.Scientific Research Department, Anqing Normal College, Anqing, Anhui 246011, China

Online:2014-04-01 Published:2014-04-25

摘要/Abstract

摘要： 提出了一种无理数字典码的测试数据压缩方案，能有效地压缩芯片测试数据。方案利用无理数序列建立字典，编码时只需进行相容性检查，无需填充无关位，简化了操作步骤；同时，选择局部压缩率最大的一组数据作为最终编码结果，保证压缩效果可以达到局部最优。对ISCAS 89标准电路Mintest集的实验结果显示，该方案的压缩效果优于传统压缩方法，如Golomb码、FDR码、混合定变长码等。

关键词: 无理数, 字典, 测试数据压缩, 局部最优

Abstract: A test data compression scheme based on Irrational Number Dictionary Coding（INDC） is presented, by using which the test data can be compressed efficiently. In this scheme, the dictionary is established by using irrational number sequence. Compatibility examination is needed only when encoding, without filling don’t care bits, which can simplify the procedure. In the same time, choose the set of data which has maximum local compression ratio as the final code, so that compression effect can reach locally optimal. Experimental results for ISCAS 89 benchmarks show that the proposed scheme outperforms the traditional coding methods in the compression effect, such as Golomb, FDR and FAVLC.

Key words: irrational number, dictionary, test data compression, locally optimal

吴海峰1，詹文法2，程一飞1. 无理数字典码的测试数据压缩方案[J]. 计算机工程与应用, 2014, 50(7): 235-237.

WU Haifeng1, ZHAN Wenfa2, CHENG Yifei1. Scheme of test data compression based on irrational number dictionary code[J]. Computer Engineering and Applications, 2014, 50(7): 235-237.

[1]	王子儒，李振民. 融合数据增强的迁移字典学习[J]. 计算机工程与应用, 2021, 57(23): 193-199.
[2]	丁玉祥，卞维新，接标，赵俊. 融合邻域回归和稀疏表示的图像超分辨率重构[J]. 计算机工程与应用, 2021, 57(2): 230-236.
[3]	王钰，刘凡，王菲. 基于自编码器和稀疏表示的单样本人脸识别[J]. 计算机工程与应用, 2021, 57(1): 168-172.
[4]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[5]	李巧，陈花竹，杨春雨，李丹. 基于判别性解析字典与分类器学习的模式分类[J]. 计算机工程与应用, 2020, 56(6): 165-171.
[6]	代乾龙，孙伟. 基于改进稀疏栈式编码的车型识别[J]. 计算机工程与应用, 2020, 56(1): 136-141.
[7]	信成涛，邹海. 修正浓度与适应步长的果蝇优化算法[J]. 计算机工程与应用, 2019, 55(7): 48-52.
[8]	张凯兵，郑冬冬，景军锋. 低分辨人脸识别综述[J]. 计算机工程与应用, 2019, 55(22): 14-24.
[9]	张凯兵，王珍，闫亚娣，朱丹妮. 优化的AdaBoost回归图像超分辨方法[J]. 计算机工程与应用, 2019, 55(20): 159-163.
[10]	马丽红，谭学仕. 共有结构假设下流形正则图的零样本分类方法[J]. 计算机工程与应用, 2019, 55(15): 153-160.
[11]	张哲源，张灵，陈云华. 结合分块LBP与投影字典对学习的表情识别[J]. 计算机工程与应用, 2019, 55(12): 149-154.
[12]	聂栋栋，贺悦悦. 基于字典扩展的快速人脸识别算法[J]. 计算机工程与应用, 2018, 54(8): 201-206.
[13]	王雪1，隋立春1，2，杨振胤3，康军梅1. 最优方向耦合字典学习的遥感影像超分辨率重建[J]. 计算机工程与应用, 2018, 54(7): 201-205.
[14]	王鑫1，朱行成1，宁晨2，王慧斌1. 基于冗余字典学习的图像修补算法[J]. 计算机工程与应用, 2018, 54(6): 198-204.
[15]	刘今越，李洋，郭志红，任志斌，刘佳斌. 面向光学检测中轨迹优化问题的遗传算法研究[J]. 计算机工程与应用, 2018, 54(4): 205-210.