ad6高级篇之规则设置及其应用

AD6规则设置及其应用

By kong 100617 遍观各大layout软件，发现他们的GUI都已经十分接近，人性化程度已经相当高。特别是我们熟悉的AD6，经过这些年的更新优化，这方面更是众多软件里面名列前茅。这也是AD6（早期的99se）倍受国内工程师青睐的重要原因。

AD6软件的应用，对大部分同事已经十分熟悉，软件应用上面很多都已经到达“登峰造极”的境界。越是这样，大家对AD6的研究讨论渐渐减少。不过随着项目设计的难度不断增加，要求越加苛刻，加上使用其他同类型软件（如Candence）的比较，逐渐发现该软件的一些瓶颈需要突破。这其中一个最突出的就是规则的设置（rule）。

可以说，越是高级、智能的layout软件，对于规则设定越是强大、严谨、复杂、甚至说是苛刻！对于高速信号的各种约束（常见的包括：等长、3w原则、特定区域的规则等等。），归根结底的实现都要体现在规则设置的约束里面。可以说，规则的设置是一个layout软件智能化程度主要的体现，那么对一个layout 软件的精通程度甚至PCB设计的水平，规则设置都是一个不可回避的课题。这里我提出这个课题，抛砖引玉，引发大家积极讨论。从而加强这方面的深入研究、储备和积累，以应对更复杂的设计需求。同时把前期积累的一些技巧记录，方便后来人。

下面讨论是基于对AD6比较精通的同事，一些细节可能简单带过，把足够的讨论留在某些特定问题。

在AD6的PCB状态下面，选择菜单Design-》Rules，即可进入规则设置的主界面（如图1）。左边菜单栏内，可以看到各个规则大类。这里不逐一介绍，在使用过程大家慢慢了解。

图 1

一、AD6规则的基础应用：一个新的PCB，设计的常用规则。

z全局安全间距设置。如图2。该规则控制所有电器性安全间距，常用的为6mil、8mil 等。其优先级通常是安全间距规则里面最低。这个规则的设置是重点，下面将详细

讨论。注意，这里之所以为全局，是因为右边的两个主要约束项均为all。

图 2

z覆铜安全间距设置。该规则专门约束覆铜的安全间距，比全局安全间距高一级，常用值为20mil、15mil等。注意观察，右边的第一个约束项where the first object matches 是inpoly。第二个约束项是all。

图 3

z线宽设置。在Routing大类下面，With。如图2。通常设定一个最大线宽（80mil）、最小线宽（5mil）、线宽的优先值（6mil）。如果要求有阻抗匹配要求的信号，这里的线宽也可以约束到每一层。

图4

z覆铜完全覆盖过孔规则设置。在Plane规则下面，Polygon Connenct Style下面。新见一个via（过孔）规则。该规则第一个约束项：isvia。第二个：all。Constraints 下面选择：Direct Connect（直接连接）。默认的Polygonconnect所有约束都是Relief Connect（十字连接）。在一些用AD6设计的板上面，发现过孔也是用十字连接的，就是没有在这里给via（过孔）独立建一个直接连接的规则。

图 5

z孔径大小规则设计。在Manufacturing内，还有一项HoleSize，通常把值设置成一个范围如：12mil-200mil。这个这里主要用于检查所用孔径的范围。

图 6

到此位置，常用的规则设计基本完成。可以进行一个PCB设计了。在PCB设计完成阶段，使用DRC，检查这些规则是否符合设置要求。可以在PCB状态下面，选择菜单Tools-》design rule check，进入DRC菜单。选择Run Design Rule Check，即可运行检查，查看是否有不符合规则的报告。

图 7

在DRC检查前，先选择Rules To Check，选择需要检查的项目。有些是可以忽略检查

的。常用的检查想包括Clearance、Short-Circuit、Un-Routed Net、Hole Size等。这些检查是设计所最关心的。有些是可以忽略的检查，如丝印的安全间距。注意，在检查项目里面还有Online和Batch的区别。Online是实时检查，Batch是在启动检查报告的情况下见。很多同事在运行AD6的时候觉得很慢，其中一个原因是Online的检查开启过多导致的。所以在Online的开启，仅仅是基本必要的检查即可。

图 8

以上介绍，一个新项目所需要的基础设置。一般情况下面可以满足大部分需要。当设置好所所有规则以后，可以导出，新项目再次需要导入即可。并不需要重复设置。

图 9

二、接下来将介绍一些特殊的规则应用。

覆铜与覆铜的安全间距。原则上，尽量避免用内电分割，因此在同一层内不可避免的有多个覆铜，那么覆铜间距有必要比其他间距加大。

图 10

特定区域安全间距设置(ROOM)。常用的BGA器件，其特定区域内安全间距往往要小于其他地方。那么如何标识特定区域呢？由一个叫room的辅助工具帮助我们。

在PCB的菜单栏Design-》Rooms-》Place Rectangular Room，然后在BGA区域放

置一个Room。

然后命名为Room1。注意该room的命名，在规则设置里面要用到。

图 12

Room区域划分完毕以后，再次进入规则设置界面，增加一个Room规则。第一个约束：withinroom（room1）。第二个约束：InPloy。这个规则是约束在Room区域内的覆铜的安全间距。

图 13

特定区域ROOM的其他应用。利用ROOM，可以控制BGA内部区域的过孔大小、走线宽度、安全间距等。可以各种在各个规则里面约束，这里不一一描述。

看看刚才设置的room1的属性。在规则设置菜单栏内，Plasement-》Room definition

下，可以看到刚才设置的room1属性如下图。其属性一目了然，不一一介绍。

图 14

特定元件安全间距规则设置。BGA芯片的特定安全间距一般比其他芯片要小，在遇到有BGA的PCB，往往需要设定该规则。该第一个预算项：

InComponent('U7')；第二个约束项：All。

图 15

上面介绍了各种安全间距设置的规则和各种的约束。他们之间的优先级如何确定呢？默认情况是越是后建立的优先级越高，但是也可以手动修改。点击规则管理菜单Clearance。右边即出现各个已经设定的规则，其中级别最高的是1，以此类推。

入需要修改优先级，选择Priotities，然后设置。

三、规则设计的约束语言描述。

上面介绍的约束描述，可供选择使用，大家奇怪那些描述语言究竟是如何设置的呢？下面简单介绍如何自动生成这些约束。在PCB界面，重新进入规则设计界面Design-》Rules。还是以电器规则的安全间距为例，新建一个规则。在目录

菜单，点右键选择New Rule。

进入规则编辑界面。继而可以从新命名规则名称。接着选择Query Builder。

图 17

进入约束选择界面。该界面内有丰富的约束选择。例如常用的：Belongs to Commponent，就是上面介绍的约束某个元件的选项。

常用的还有：Object Kind is。这里要特别说明的：Object Kind is Poly，其生成的是对覆铜的约束：IsPolygon。这个大概是程序的bug，是不能通过的。必须把Is改成In。习惯

上面用InPoly也行。其他的约束可以根据各式各样的条件约束。

图 18

其约束还不是唯一的，还可以才有Or或者And的并列约束。如下图生成的约束：

(IsPolygon AND OnLayer('TopLayer') AND InComponent('U7'))。注意把

IsPolygon改成InPoly否则是不能通过（这就是上面说的 bug）。

除了用Query Builder，也可以用Query helper做类似选择。

图 20

点击Query helper进入菜单。如下图，常用Merbership Checks下面，选择对于的元

件、网络、room等等，双击，即可进入约束。

图 21

总结：在规则设置里面，还有很多领域为我们所不熟悉，比如说：High Speed ，高速信号的特定规则设置。这些规则的深入理解应用，将大大提高设计的可靠性和效率。这里抛砖引玉，希望大家引起重视以及广泛讨论。

关联规则基本算法

关联规则基本算法及其应用 1．关联规则挖掘 1.1 关联规则提出背景 1993年，Agrawal 等人在首先提出关联规则概念，同时给出了相应的挖掘算法AIS ，但是性能较差。1994年，他们建立了项目集格空间理论，并依据上述两个定理，提出了著名的Apriori 算法，至今Apriori 仍然作为关联规则挖掘的经典算法被广泛讨论，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。关联规则挖掘在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。 关联规则最初提出的动机是针对购物篮分析(Market Basket Analysis)问题提出的。假设分店经理想更多的了解顾客的购物习惯（如下图）。特别是，想知道哪些商品顾客可能会在一次购物时同时购买？为回答该问题，可以对商店的顾客事物零售数量进行购物篮分析。该过程通过发现顾客放入“购物篮”中的不同商品之间的关联，分析顾客的购物习惯。这种关联的发现可以帮助零售商了解哪些商品频繁的被顾客同时购买，从而帮助他们开发更好的营销策略。 1.2 关联规则的基本概念 关联规则定义为：假设12{,,...}m I i i i =是项的集合，给定一个交易数据库 12D ={t ,t ,...,t }m ， 其中每个事务(Transaction)t 是I 的非空子集，即t I ∈，每一个交易都与 一个唯一的标识符TID(Transaction ID)对应。关联规则是形如X Y ?的蕴涵式， 其中X ,Y I ∈且X Y φ?=， X 和Y 分别称为关联规则的先导(antecedent 或left-hand-side, LHS)和后继(consequent 或right-hand-side, RHS)。关联规则X Y ?在D 中的支持度(support)是D 中事务包含X Y ?的百分比，即概率()P X Y ?；置信度(confidence)是包含X 的事务中同时包含Y 的百分比，即条件概率(|)P Y X 。如果满足最小支持度阈值和最小置信度阈值，则称关联规则是有趣的。这些阈值由用户或者专家设定。

关联规则

在数据挖掘的知识模式中，关联规则模式是比较重要的一种。关联规则的概念由Agrawal、Imielinski、Swami 提出，是数据中一种简单但很实用的规则。关联规则模式属于描述 型模式，发现关联规则的算法属于无监督学习的方法。 一、关联规则的定义和属性 考察一些涉及许多物品的事务：事务1 中出现了物品甲，事务2 中出现了物品乙，事 务3 中则同时出现了物品甲和乙。那么，物品甲和乙在事务中的出现相互之间是否有 规律可循呢？在数据库的知识发现中，关联规则就是描述这种在一个事务中物品之间同时出现的规律的知识模式。更确切的说，关联规则通过量化的数字描述物品甲的出现对物品乙的出现有多大的影响。 现实中，这样的例子很多。例如超级市场利用前端收款机收集存储了大量的售货数据，这些数据是一条条的购买事务记录，每条记录存储了事务处理时间，顾客购买的物品、物品的数量及金额等。这些数据中常常隐含形式如下的关联规则：在购买铁锤的顾客当中，有70 ％的人同时购买了铁钉。这些关联规则很有价值，商场管理人员可以根据这些关联规则更好地规划商场，如把铁锤和铁钉这样的商品摆放在一起，能够促进销售。

有些数据不像售货数据那样很容易就能看出一个事务是许多物品的集合，但稍微转换一下思考角度，仍然可以像售货数据一样处理。比如人寿保险，一份保单就是一个事务。保险公司在接受保险前，往往需要记录投保人详尽的信息，有时还要到医院做身体检查。保单上记录有投保人的年龄、性别、健康状况、工作单位、工作地址、工资水平等。这些投保人的个人信息就可以看作事务中的物品。通过分析这些数据，可以得到类似以下这样的关联规则：年龄在40 岁以上，工作在A 区的投保人当中，有45 ％的人曾经向保险公司索赔过。在这条规则中，“年龄在40 岁以上”是物品甲，“工作在A 区”是物品乙，“向保险公司索赔过”则是物品丙。可以看出来，A 区可能污染比较严重，环境比较差，导致工作在该区的人健康状况不好，索赔率也相对比较高。 设R= { I1,I2 ……Im} 是一组物品集，W 是一组事务集。W 中的每个事务T 是一组物品，T R。假设有一个物品集A，一个事务T，如果A T，则称事务T 支持物品集A。关联规则是如下形式的一种蕴含：A→B，其中A、B 是两组物品，A I，B I， 且A ∩B= 。一般用四个参数来描述一个关联规则的属性： 1 ．可信度（Confidence） 设W 中支持物品集A 的事务中，有c ％的事务同时也支持物品集B，c ％称为关联 规则A→B 的可信度。简单地说，可信度就是指在出现了物品集A 的事务T 中，物品集B 也同时出现的概率有多大。如上面所举的铁锤和铁钉的例子，该关联规则的可信 度就回答了这样一个问题：如果一个顾客购买了铁锤，那么他也购买铁钉的可能性有多大呢？在上述例子中，购买铁锤的顾客中有70 ％的人购买了铁钉, 所以可信度是70 ％。 2 ．支持度(Support) 设W 中有s ％的事务同时支持物品集A 和B，s ％称为关联规则A→B 的支持度。 支持度描述了A 和B 这两个物品集的并集C 在所有的事务中出现的概率有多大。如 果某天共有1000 个顾客到商场购买物品，其中有100 个顾客同时购买了铁锤和铁钉，那么上述的关联规则的支持度就是10 ％。 3 ．期望可信度(Expected confidence) 设W 中有e ％的事务支持物品集B，e ％称为关联规则A→B 的期望可信度度。期望可信度描述了在没有任何条件影响时，物品集B 在所有事务中出现的概率有多大。如 果某天共有1000 个顾客到商场购买物品，其中有200 个顾客购买了铁钉，则上述的 关联规则的期望可信度就是20 ％。 4 ．作用度(Lift)

关联规则

关联分析是数据挖掘领域常用的一类算法，主要用于发现隐藏在大型数据集中有意义的联系。 举一个大家最耳熟能详的例子，就是尿布和啤酒，表示成关联规则的形式就是｛尿壶｝—>｛啤酒｝。这就是使用关联分析方法所得到的结果，而关联分析所得到的结果，我们可以用关联规则或者频繁项集的形式表示。在进行关联分析时，我们常常会遇到这样两个问题： A. 从大型数据集中发现模式一般来说需要在计算上付出巨大的代价，甚至往往是impossible的，我们往往采用置信度和支持度的剪枝来解决这个问题。 B. 所发现的某些模式可能是虚假的，这个我们需要采用一些关联规则的评估来解决这个问题。 1.1关联规则的优点 a.它可以产生清晰有用的结果。 b.它支持间接数据挖掘。 c.可以处理变长的数据。 d.它的计算的消耗量是可以预见的。 2.1随机森林基本原理 1、项集和K-项集 令I={i1,i2,i3……id}是购物篮数据中所有项的集合，而T={t1,t2,t3….tN}是所有事务的集合，每个事务ti包含的项集都是I的子集。在关联分析中，包含0个或多个项的集合称为项集。如果一个项集包含K个项，则称它为K-项集。空集是指不包含任何项的项集。例如，在购物篮事务的例子中，｛啤酒，尿布，牛奶｝是一个3-项集。 2、支持度计数 项集的一个重要性质是它的支持度计数，即包含特定项集的事务个数，数学上，项集X的支持度计数σ(X)可以表示为 σ(X)=|{ti|X?ti,ti∈T}| 其中，符号|*|表示集合中元素的个数。 在购物篮事务的例子中，项集｛啤酒，尿布，牛奶｝的支持度计数为2，因为只有3和4两个事务中同时包含这3个项。