TW201826142A - 使用縮短長度最小平方自動回歸參數估計之隨機程序建模裝置與方法、製造方法及構造方法 - Google Patents

Abstract

本文揭露一種使用縮短長度最小平方自動回歸參數估計之隨機程序建模裝置與方法。裝置包括：自相關處理器，被配置成產生或估計隨機程序的長度為m 的自相關性，其中m 是整數；及最小平方（LS）估計處理器，連接至自相關處理器且被配置成藉由使用最小平方回歸對第p 階自動回歸（AR）參數進行估計來建模隨機程序，其中p 是遠小於m 的整數。方法包括：由自相關處理器產生隨機程序的長度為m 的自相關性，其中m 是整數；以及由最小平方估計處理器藉由最小平方（LS）回歸估計第p 階自動回歸（AR）參數來建模隨機程序，其中p 是遠小於m 的整數。

Description

使用縮短長度最小平方自動回歸參數估計之隨機程序建模裝置與方法、製造方法及構造方法

本揭露大體而言是有關於一種用於隨機程序建模的系統及方法，且更具體而言是有關於一種使用縮短長度最小平方（least-square，LS）自動回歸（autoregressive，AR）參數估計之隨機程序建模系統與方法。

在訊號處理期間可使用自動回歸模型作為一種隨機（random或stochastic）程序的類形的表示或模型來描述某些時變程序（time-varying process）。自動回歸模型規定：輸出變量線性地相依於輸出變量自身的先前值以及相依於隨機項，因而自動回歸模型呈隨機差分方程式的形式。

對於隨機程序的自協方差函數或自相關函數，一種獲得自動回歸參數的典型方法是求解尤爾-沃克（Yule-Walker，YW）方程式。利用此種方法，具有滯後p 的自動回歸模型可利用最大至長度p 的相同的相關性來精確地再現隨機程序，其中p 是整數。典型自動回歸參數估計方法可在假設使用第p 階自動回歸模型條件下與最大至長度p 的自相關性精確地匹配。因此，為了對長的相關性進行建模，需要大的p ，此通常會導致複雜度增加且效率降低。

根據一個實施例，一種裝置包括：自相關處理器，被配置成產生或估計隨機程序的長度為m 的自相關性，其中m 是整數；以及最小平方估計處理器，連接至所述自相關處理器且被配置成藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對所述隨機程序進行建模，其中p 是遠小於m 的整數。

根據一個實施例，一種方法包括：由自相關處理器產生或估計隨機程序的長度為m 的自相關性，其中m 是整數；以及由最小平方估計處理器藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對所述隨機程序進行建模，其中p 是遠小於m 的整數。

根據一個實施例，一種製造裝置的方法包括：在具有至少一個其他裝置的晶圓或封裝上形成所述裝置，其中所述裝置包括自相關處理器及最小平方估計處理器，所述最小平方估計處理器被配置成藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對由長度為m 的自相關性表示的隨機程序進行建模；以及測試所述裝置，其中使用一或多個電-光轉換器、一或多個將光訊號分離成二或更多個光訊號的分光器、以及一或多個光-電轉換器來測試所述裝置。

根據一個實施例，一種構造積體電路的方法包括：為所述積體電路的層的一組特徵產生遮罩佈局，其中所述遮罩佈局包括一或多個電路特徵的標準胞元庫巨集，所述一或多個電路特徵包括一種裝置，所述裝置包括自相關處理器及最小平方估計處理器，所述最小平方估計處理器被配置成藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對由長度為m 的自相關表示的隨機程序進行建模，其中p 是整數，且其中p 遠小於m ；忽略所述巨集的相對位置，以符合在所述產生所述遮罩佈局期間的佈局設計規則；檢查所述巨集的所述相對位置，以符合產生所述遮罩佈局之後的佈局設計規則；在偵測到所述巨集中的任一者不符合所述佈局設計規則時，藉由將所述不符合的巨集中的每一者修改成符合所述佈局設計規則來修改所述遮罩佈局；根據具有所述積體電路的所述層的所述一組特徵的所述經修改遮罩佈局來產生遮罩；以及根據所述遮罩製造所述積體電路的所述層。

以下，參考附圖詳細地闡述本揭露的各實施例。應注意，儘管在不同圖式中示出相同的元件，但相同的元件將由相同的參考編號來標示。在以下說明中，提供例如詳細配置及組件等具體細節僅是為了幫助全面地理解本揭露的各實施例。因此，熟習此項技術者應理解，可在不背離本揭露的範圍的條件下對本文所述的實施例做出各種變化及潤飾。另外，為清晰及簡明起見，省略對眾所習知的功能及構造的說明。以下所述用語是慮及在本揭露中的功能而定義的用語，且可根據使用者、使用者的意圖、或習慣而不同。因此，用語的定義應基於本說明書通篇的內容來確定。

本揭露可具有各種潤飾及各種實施例，以下將參考附圖詳細地闡述其中的一些實施例。然而，應理解，本揭露並非僅限於所述實施例，而是包括處於本揭露的範圍內的所有潤飾、等效形式、及替代形式。

儘管可能使用包括例如「第一」、「第二」等序數的用語來闡述各種元件，但結構元件不受所述用語限制。所述用語僅用於區分各個元件。舉例而言，在不背離本揭露的範圍的條件下，第一結構元件可被稱為第二結構元件。類似地，第二結構元件亦可被稱為第一結構元件。本文所用的用語「及/或」包括一或多個相關性聯項的任意及所有組合。

本文所用的用語僅用於闡述本揭露的各種實施例，而並非旨在限制本揭露。除非上下文另外清楚地指明，否則單數形式旨在亦包括複數形式。在本揭露中，應理解，用語「包括」或「具有」指示特徵、數字、步驟、操作、結構元件、部件、或其組合的存在，且並不排除一或多個其他特徵、數字、步驟、操作、結構元件、部件、或其組合的存在或添加的可能性。

除非進行不同的定義，否則本文所用的所有用語具有與熟習本揭露所屬技術者所理解的含義相同的含義。此種用語（例如在常用字典中所定義的用語）應被解釋為具有與在相關技術領域中的上下文含義相同的含義，且除非在本揭露中清晰地定義，否則不應被解釋為具有理想或過於正式的含義。

本揭露的一個實施例是有關於一種使用縮短長度最小平方自動回歸參數估計來擬合更長的相關性之隨機程序建模裝置與方法。本揭露的一個實施例是有關於一種使用藉由縮短長度最小平方自動回歸參數估計而獲得的自動回歸模型的卡爾曼濾波器的裝置及方法。本揭露的一個實施例是有關於一種使用卡爾曼濾波器基於縮短長度最小平方自動回歸參數估計來對通道進行估計的裝置及方法。

本揭露的裝置及方法利用參數數目減少的長相關性來降低複雜度。當利用「短的」自動回歸程序來擬合「長的」相關性時，本揭露的裝置及方法提供最小平方公式來估計自動回歸參數。根據一個實施例，本揭露的裝置及方法使用第p 階自動回歸程序以已知的自相關性來對隨機程序進行建模。本揭露的裝置及方法提供最小平方估計來對長度遠大於p 的自相關性建模。根據一個實施例，本揭露的裝置及方法可更應用基於縮短長度最小平方的自動回歸參數來達成卡爾曼濾波器，且使用卡爾曼濾波器來進行通道估計（channel estimation，CE）以提高在緩慢變化的通道中的通道估計品質。本揭露的裝置及方法可更使用自動回歸程序來導出其他控制方法，例如動態控制。本揭露的裝置及方法可應用基於縮短長度最小平方的自動回歸參數估計以長相關性對任意隨機程序進行建模。

圖1說明根據一個實施例的用於隨機程序建模的裝置的示例性方塊圖。

參考圖1，裝置100包括自相關處理器101及最小平方估計處理器103。

自相關處理器101包括輸入及輸出。自相關處理器101被配置成接收與隨機程序有關的資料，產生隨機程序的長度為m的自相關性（其中m 是整數），且輸出所述自相關性。

最小平方估計處理器103包括連接至自相關處理器101的輸出的輸入、以及輸出。最小平方估計處理器103被配置成藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對由自相關性表示的隨機程序進行建模，其中p 是整數，且其中p 遠小於m 。

圖2說明根據一個實施例的一種隨機程序建模方法的示例性流程圖。

參考圖2，在201處，由自相關處理器產生隨機程序的長度為m 的自相關性，其中m 是整數。

在203處，由最小平方估計處理器藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對隨機程序進行建模，其中p 是整數，且其中p 遠小於m 。

圖3說明根據一個實施例的自所估計自動回歸參數（例如，基於縮短長度自動回歸參數估計而產生）導出的卡爾曼濾波器的示例性方塊圖。

參考圖3，卡爾曼濾波器300包括自相關處理器301、最小平方估計處理器303、及卡爾曼濾波器系統參數產生處理器305。

自相關處理器301包括輸入及輸出。自相關處理器301被配置成接收與隨機程序有關的資料，產生隨機程序的長度為m的自相關性（其中，m 是整數），且輸出所述自相關性。

最小平方估計處理器303包括輸入以及輸出，所述輸入連接至自相關處理器301的輸出。最小平方估計處理器303被配置成藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對由自相關性表示的隨機程序進行建模，其中p 是整數，且其中p 遠小於m 。

卡爾曼濾波器系統參數產生處理器305包括輸入、以及輸出，所述輸入連接至自相關處理器301的輸出。卡爾曼濾波器系統參數產生處理器305被配置成使用由最小平方估計處理器303所估計的第p 階自動回歸參數來產生卡爾曼濾波器參數。

圖4說明根據一個實施例的一種構造卡爾曼濾波器的方法的示例性流程圖。

參考圖4，在401處，由自相關處理器產生隨機程序的長度為m 的自相關性，其中m 是整數。

在403處，藉由由最小平方估計處理器使用最小平方回歸對第p 階自動回歸參數進行估計來對隨機程序進行建模，其中p 是整數，且其中p 遠小於m 。

在405處，由卡爾曼濾波器系統參數產生處理器使用所估計第p 階自動回歸參數來產生卡爾曼濾波器參數。

圖5說明根據一個實施例的用於在基於正交分頻多工（orthogonal frequency-division multiplexing，OFDM）的系統中進行通道估計的裝置的示例性方塊圖。

參考圖5，裝置500包括初始前導碼基底通道估計處理器501、卡爾曼濾波器503、及通道內插處理器505。

初始前導碼基底通道估計處理器501包括輸入及輸出。初始前導碼基底通道估計處理器501被配置成提取通道的前導碼訊號。在一個實施例中，初始前導碼基底通道估計處理器501包括參考訊號（reference signal，RS）提取處理器及解擾器，所述參考訊號提取處理器包括輸入及輸出，所述解擾器包括輸入及輸出，所述解擾器的輸入連接至所述參考訊號提取處理器的輸出，其中所述解擾器被配置成對所提取參考訊號進行解擾。使用經解擾參考訊號來獲得初始通道估計。初始前導碼基底通道估計處理器501的輸出是參考訊號資源元處的初始通道估計。初始前導碼基底通道估計處理器501接收參考訊號資源元處的訊號，所述訊號可被表達成，其中是參考訊號，是通道，且是雜訊。初始前導碼基底通道估計處理器501使用參考訊號提取及解擾來確定。在一個實施例中，初始通道估計是，自初始前導碼基底通道估計處理器501輸出並被輸入至卡爾曼濾波器503以供進一步改善。

卡爾曼濾波器503包括輸入及輸出，所述輸入連接至解擾器的輸出。卡爾曼濾波器503如以上關於圖3所述被配置成對初始通道估計進行處理以在參考訊號資源元（resource element，RE）處提供改善的通道估計。

通道內插處理器505包括輸入及輸出，所述輸入連接至卡爾曼濾波器503的輸出。通道內插處理器505對參考訊號資源元執行通道內插以提供對資料資源元的通道估計，其中使用自動回歸模型來對通道的時域相關性進行建模。

圖6說明根據一個實施例的一種通道估計方法的示例性流程圖。

參考圖6，在601處，由自相關處理器產生或估計隨機程序的長度為m 的自相關性，其中m 是整數。

在603處，藉由由最小平方估計處理器使用最小平方回歸對第p 階自動回歸參數進行估計來對隨機程序進行建模，其中p 是整數，且其中p 遠小於m 。

在605處，由卡爾曼濾波器系統參數產生處理器使用所估計第p 階自動回歸參數來產生卡爾曼濾波器的系統參數，其中卡爾曼濾波器如以上關於圖3所述。

在607處，將卡爾曼濾波器初始化。

在609處，接收通道觀測值及雜訊方差。

在611處，更新卡爾曼濾波器的第n 次迭代，其中n 是整數。

在613處，確定每一次迭代的通道估計。

根據一個實施例，本揭露最小平方估計裝置及方法犧牲第一P 個相關值的精確匹配來達成就平方誤差意義而言對長得多的相關距離的更佳擬合。用於基於卡爾曼濾波器的通道估計的本揭露自動回歸參數估計裝置及方法達成顯著的效能增益且複雜度降低。

根據一個實施例，本揭露的裝置及方法採用m 個已知相關值，其中。本揭露的裝置及方法藉由求解最小平方方程式來對自動回歸模型的p 個參數進行估計。所得自動回歸模型可對長度遠大於p 的相關性進行密切地建模。在通訊系統中，可使用此種自動回歸模型來對緩慢變化的通道的時域統計量進行建模。基於通道的已知時域相關性，可基於自動回歸模型來導出卡爾曼濾波器以對通道進行估計。通道估計品質可因利用長期相關性而顯著提高。

本揭露的裝置及方法提供可高效地表徵長相關性的縮短長度最小平方自動回歸參數估計，此非常有助於以低的複雜度利用長相關性的不同應用的實際實作。基於卡爾曼濾波器的通道估計方法是此種應用的實例。

具有大小為k的向量狀態的第p 階自動回歸程序（由AR(p, k )表示）可被表達為如下方程式（1）：…（1） 其中是第n 個時間實例中的狀態變量，p 、n 、及k 是整數，是作為自動回歸參數的矩陣，是向量，其是用於對程序雜訊進行建模的具有單位方差的白色高斯程序，且是亦作為自動回歸參數的矩陣。

長度為n 的自相關矩陣可被表示為，其中對應隨機程序是廣義上穩定的。可藉由求解在如下方程式（2）中所表達的尤爾-沃克方程式來獲得自動回歸參數： …（2）

所得自動回歸程序的自相關性可被表示為。基於尤爾-沃克自動回歸參數估計的自相關值與在如下方程式（3）中所表達的真正自相關序列的第一p 個值精確地匹配：…（3）

若與給定自相關序列中的更多值匹配，則p 增大，其中後續應用的複雜度亦隨著p 增大而增加。

為使用小的p 來擬合長自相關性，可使用在如下方程式（4）中所表達的最小平方公式：…（4） 其中是藉由自動回歸參數所確定的自相關函數，且。一般而言，不存在的閉型表示（closed form representation）。

然而，對於一組自動回歸參數，存在由AR(p,k )模型所產生的程序的對應自相關序列。此種自相關序列對於任何正整數m ，均滿足方程式（5）中所表達的以下性質：…（5） 藉由以所欲匹配的已知自相關矩陣代入方程式（5）的右手邊（right hand side，RHS）上的自相關矩陣，可獲得在如下方程式（6）所表達的近似值：…（6）

第一m 個自相關值可使用所欲估計的自動回歸參數而被表示為已知自相關值的線性組合。因此，最小平方問題可被表達為如下方程式（7）：…（7）

以上方程式（7）的最小平方解可被表達為如下方程式（8）：…（8）

藉由選擇，可改善對更長自相關序列的擬合。舉例而言，系統可使用AR(4,1)程序來對具有5赫茲都卜勒擴展（Doppler spread）的緩慢變化的通道的自相關性進行建模，其中真正自相關函數可由第0階貝塞爾函數（Bessel function）給出。可將使用尤爾-沃克自動回歸參數估計及本揭露最小平方自動回歸參數估計而產生的自相關性與在最小平方公式中所考量的不同m （即，不同長度的）自相關性進行比較。隨著m 增大，對真正自相關函數的擬合會改善。

根據一個實施例，本揭露系統及方法使用卡爾曼濾波器應用所估計自動回歸參數來增強通道估計。卡爾曼濾波器是一種利用以往的通道觀測值及對應時域相關性的高效方式。在每一次卡爾曼濾波器更新中，均包括基於系統模型的預測及基於來自新觀測值的革新的校正。然而，卡爾曼濾波器易於出現模型失配（model mismatch）。縮短長度最小平方自動回歸參數估計可提高建模精度且具有低複雜度。

上述圖5說明根據一個實施例的在正交分頻多工系統中基於卡爾曼的通道估計的示例性方塊圖。提取參考訊號，並接著進行解擾。基於參考訊號資源元處的經解擾參考訊號來執行初始通道估計。卡爾曼濾波器對初始通道估計進行處理以在參考訊號資源元處提供改善的通道估計。對參考訊號資源元執行通道內插，以提供對資料資源元的通道估計。本揭露系統使用自動回歸模型來對通道的時域相關性進行建模。

在獲得自動回歸參數之後，系統方程式可以矩陣形式被表達為如下方程式（9）：…（9） 其中是由參考訊號位置處的通道組成的狀態向量，且是協方差為單位矩陣的零均值高斯向量。

對於自動回歸系統方程式，及可被表達為如下方程式（10）及方程式（11）：…（10）…（11） 其中是單位矩陣，是零矩陣，且k 是整數。

在第n 次迭代中，可獲得在如下方程式（12）中所表達的新觀測值：…（12） 其中是觀測值矩陣，是具有協方差的零均值高斯觀測值雜訊。

根據一個實施例，本揭露的系統提供在如下方程式（13）至方程式（17）中所表達的每一週期中的卡爾曼濾波器更新：…（13）…（14）…（15）…（16）…（17）

對於，可使用如下方程式（18）及方程式（19）中所表達的初始化：…（18）…（19）

每一次迭代中的所估計通道可被表達為如下方程式（20）：…（20） 其中是狀態估計。

本揭露的縮短長度最小平方自動回歸參數估計在具有長相關性的建模隨機程序中達成優於典型尤爾-沃克自動回歸參數估計的顯著的增益。

上述圖6說明根據一個實施例的使用最小平方自動回歸參數估計的基於卡爾曼濾波器的通道估計的示例性流程圖。相較於在每一次迭代處執行的包括以上方程式（15）中的矩陣求逆的卡爾曼濾波器更新，本揭露的最小平方自動回歸參數估計所執行的頻繁性低得多。因此，可忽略矩陣求逆，乃因其在許多次迭代過程中僅被計算一次。

根據一個實施例，本揭露的裝置及方法提供基於縮短長度最小平方的自動回歸參數估計以使用已知自相關性來擬合自動回歸模型。本揭露的裝置及方法可應用基於縮短長度最小平方的自動回歸參數以使用小數目的係數來對具有長相關性的隨機程序進行建模從而降低複雜度。在一個實施例中，本揭露的系統應用基於縮短長度最小平方的自動回歸參數來基於卡爾曼濾波器進行通道估計。

圖7說明根據一個實施例的一種製造用於隨機程序建模的裝置的方法的示例性流程圖。

參考圖7，在701處，在具有至少一個其他裝置的晶圓或封裝上形成裝置，其中所述裝置包括自相關處理器及最小平方估計處理器，所述最小平方估計處理器被配置成藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對由長度為m 的自相關性表示的隨機程序進行建模，其中p 是整數，且其中p 遠小於m 。

在702處，測試所述裝置。測試所述裝置可包括使用一或多個電-光轉換器、一或多個將光訊號分離成二或更多個光訊號的分光器、以及一或多個光-電轉換器來測試所述裝置。

圖8說明根據一個實施例的一種構造積體電路的方法的示例性流程圖。

參考圖8，在801中，構造初始佈局資料。舉例而言，為積體電路的層的一組特徵產生遮罩佈局，其中所述遮罩佈局包括一或多個電路特徵的標準胞元庫巨集，所述一或多個電路特徵包括一種裝置，所述裝置包括自相關處理器及最小平方估計處理器，所述最小平方估計處理器被配置成藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對由長度為m 的自相關性表示的隨機程序進行建模，其中p 是整數，且其中p 遠小於m ；且忽略所述巨集的相對位置，以符合在所述產生遮罩佈局期間的佈局設計規則。

在803處，執行設計規則檢查。舉例而言，所述方法可檢查所述巨集的相對位置，以符合產生所述遮罩佈局之後的佈局設計規則。

在805處，對所述佈局進行調整。舉例而言，在偵測到所述巨集中的任一者不符合所述佈局設計規則時，所述方法可藉由將所述不符合的巨集中的每一者修改成符合所述佈局設計規則來修改所述遮罩佈局。

在807處，產生新佈局資料。舉例而言，所述方法可根據具有所述積體電路的層的所述一組特徵的經修改遮罩佈局來產生遮罩。接著，可根據所述遮罩製造所述積體電路的層。

儘管已在本揭露的詳細說明中闡述了本揭露的某些實施例，然而在不背離本揭露的範圍的條件下，本揭露可被修改成各種形式。因此，本揭露的範圍不應僅基於所述實施例來確定，而是相反基於隨附申請專利範圍及其等效範圍來確定。

100、500‧‧‧裝置

101、301‧‧‧自相關處理器

103、303‧‧‧最小平方估計處理器

201、203、401、403、405、601、603、605、607、609、611、613、701、703、801、803、805、807‧‧‧步驟

300、503‧‧‧卡爾曼濾波器

305‧‧‧卡爾曼濾波器系統參數產生處理器

501‧‧‧通道估計處理器

505‧‧‧通道內插處理器

結合附圖閱讀以下詳細說明，本揭露某些實施例的以上及其他態樣、特徵以及優點將變得更顯而易見，在附圖中：

圖1說明根據一個實施例的用於隨機程序建模的裝置的示例性方塊圖。 圖2說明根據一個實施例的一種隨機程序建模方法的示例性流程圖。 圖3說明根據一個實施例的自所估計自動回歸參數導出的卡爾曼（Kalman）濾波器的示例性方塊圖。 圖4說明根據一個實施例的一種構造卡爾曼濾波器的方法的示例性流程圖。 圖5說明根據一個實施例的用於通道估計的裝置的示例性方塊圖。 圖6說明根據一個實施例的一種通道估計方法的示例性流程圖。 圖7說明根據一個實施例的一種製造用於隨機程序建模的裝置的方法的示例性流程圖。 圖8說明根據一個實施例的一種構造積體電路的方法的示例性流程圖。

Claims (20)

1. 一種用於隨機程序建模的裝置，包括： 自相關處理器，被配置成產生或估計隨機程序的長度為m 的自相關性，其中m 是整數；以及 最小平方（LS）估計處理器，連接至所述自相關處理器且被配置成藉由使用最小平方回歸對第p 階自動回歸（AR）參數進行估計來對所述隨機程序進行建模，其中p 是小於m 的整數。
2. 如申請專利範圍第1項所述的用於隨機程序建模的裝置，其中所述自動回歸參數是及，及是如下所示進行計算： 其中是自相關性，且i 是整數。
3. 如申請專利範圍第1項所述的用於隨機程序建模的裝置，更包括卡爾曼濾波器系統參數產生處理器，所述卡爾曼濾波器系統參數處理器連接至所述最小平方估計處理器並被配置成使用所述所估計第p 階自動回歸參數為包括所述自相關處理器、所述最小平方估計處理器、及所述卡爾曼濾波器系統參數產生處理器的卡爾曼濾波器產生系統參數。
4. 如申請專利範圍第3項所述的用於隨機程序建模的裝置，其中所述卡爾曼濾波器的所述系統參數包括如下的及： 其中及是自動回歸參數，是單位矩陣，是零矩陣，且i 及k 是整數。
5. 如申請專利範圍第3項所述的用於隨機程序建模的裝置，更包括： 初始前導碼基底通道估計處理器； 所述自相關處理器，連接至所述初始前導碼基底通道估計處理器；以及 通道內插處理器，連接至所述卡爾曼濾波器系統參數產生處理器，並被配置成自所述卡爾曼濾波器接收參考訊號資源元（RE）處的通道估計並對所述參考訊號資源元執行通道內插以提供對資料資源元的通道估計。
6. 如申請專利範圍第5項所述的用於隨機程序建模的裝置，其中所述卡爾曼濾波器更被配置成在第n 次迭代處更新誤差協方差預測、革新、卡爾曼增益、狀態估計、及誤差協方差估計，其中n 是整數。
7. 如申請專利範圍第5項所述的用於隨機程序建模的裝置，其中所述通道內插處理器更被配置成如下所示在每一次迭代中執行通道估計：其中是單位矩陣，是零矩陣，且是狀態估計。
8. 如申請專利範圍第5項所述的用於隨機程序建模的裝置，其中所述卡爾曼濾波器更被配置成接收通道觀測及雜訊方差，其中n 及u 是整數。
9. 如申請專利範圍第5項所述的用於隨機程序建模的裝置，其中所述卡爾曼濾波器更被配置成如下所示藉由及而被初始化： 其中是自相關序列的矩陣，且k 、p 及i 是整數。
10. 一種用於隨機程序建模的方法，包括： 由自相關處理器產生或估計隨機程序的長度為m 的自相關性，其中m 是整數；以及 由最小平方（LS）估計處理器藉由使用最小平方回歸對第p 階自動回歸（AR）參數進行估計來對所述隨機程序進行建模，其中p 是小於m 的整數。
11. 如申請專利範圍第10項所述的用於隨機程序建模的方法，其中所述自動回歸參數是及，及是如下所示進行計算： 其中是自相關性，且i 是整數。
12. 如申請專利範圍第10項所述的用於隨機程序建模的方法，更包括由連接至所述最小平方估計處理器的卡爾曼濾波器系統參數產生處理器使用所述所估計第p 階自動回歸參數為包括所述自相關處理器、所述最小平方估計處理器、及所述卡爾曼濾波器系統參數產生處理器的卡爾曼濾波器產生系統參數。
13. 如申請專利範圍第12項所述的用於隨機程序建模的方法，其中所述卡爾曼濾波器的所述系統參數包括如下的及： 其中及是自動回歸參數，是單位矩陣，是零矩陣，且i 及k 是整數。
14. 如申請專利範圍第12項所述的用於隨機程序建模的方法，更包括： 將所述卡爾曼濾波器初始化； 由所述卡爾曼濾波器接收通道觀測值及雜訊方差； 更新所述卡爾曼濾波器的第n 次迭代；以及 確定每一次迭代的通道估計。
15. 如申請專利範圍第14項所述的用於隨機程序建模的方法，其中更新所述卡爾曼濾波器的所述第n 次迭代包括更新誤差協方差預測、革新、卡爾曼增益、狀態估計、及誤差協方差估計，其中n 是整數。
16. 如申請專利範圍第14項所述的用於隨機程序建模的方法，其中確定每一次迭代的所述通道估計更包括如下所示在每一次迭代中執行通道估計：其中是單位矩陣，是零矩陣，且是狀態估計。
17. 如申請專利範圍第14項所述的用於隨機程序建模的方法，其中更新所述卡爾曼濾波器的所述第n 次迭代更包括由單位矩陣及零矩陣形成觀測矩陣。
18. 如申請專利範圍第14項所述的用於隨機程序建模的方法，其中所述卡爾曼濾波器更被配置成如下所示藉由及而被初始化： 其中是自相關序列的矩陣，且k 、p 及i 是整數。
19. 一種製造裝置的方法，包括： 在具有至少一個其他裝置的晶圓或封裝上形成所述裝置，其中所述裝置包括自相關處理器及最小平方（LS）估計處理器，所述最小平方估計處理器被配置成藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對由長度為m 的自相關性表示的隨機程序進行建模；以及 測試所述裝置，其中使用一或多個電-光轉換器、一或多個將光訊號分離成二或更多個光訊號的分光器、以及一或多個光-電轉換器來測試所述裝置。
20. 一種構造積體電路的方法，包括： 為所述積體電路的層的一組特徵產生遮罩佈局，其中所述遮罩佈局包括一或多個電路特徵的標準胞元庫巨集，所述一或多個電路特徵包括一種裝置，所述裝置包括自相關處理器及最小平方（LS）估計處理器，所述最小平方估計處理器被配置成藉由使用最小平方回歸對第p 階自動回歸參數進行估計來對由長度為m 的自相關性表示的隨機程序進行建模，其中p 是整數，且其中p 遠小於m ； 忽略所述標準胞元庫巨集的相對位置，以符合在所述產生所述遮罩佈局期間的佈局設計規則； 檢查所述標準胞元庫巨集的所述相對位置，以符合產生所述遮罩佈局之後的佈局設計規則； 在偵測到所述標準胞元庫巨集中的任一者不符合所述佈局設計規則時，藉由將不符合的所述標準胞元庫巨集中的每一者修改成符合所述佈局設計規則來修改所述遮罩佈局； 根據具有所述積體電路的所述層的所述一組特徵的所述經修改遮罩佈局來產生遮罩；以及 根據所述遮罩製造所述積體電路的所述層。