+ 86-18052080815 | info@harsle.com
Jsi tady: Domov » Zprávy » Blog » Rozpoznávání výnosových vzorců pomocí hybridních aplikací technik učení stroje

Rozpoznávání výnosových vzorců pomocí hybridních aplikací technik učení stroje

Zobrazení:20     Autor:Editor webu     Čas publikování: 2018-10-23      Původ:Stránky Zeptejte se

Úvod

  Ve výrobě polovodičů jsou finální výrobky vyráběny několika stovkami procesů, které jsou vysoce automatizované a dramaticky vzájemně závislé. Většina výrobních postupů používaných dnes je komplexně propojena astávají se při použití technologie nanometrů neměnné.

  U těchto výrobců nebo inženýrů je výnos považován za velmi důležitý faktor, který je třeba sledovat a kontrolovat. Výtěžnost je definována jako poměr normálních výrobků k dokončeným výrobkům. Řízení výnosů v polovodičiprůmysl je chápán jako komplexní analytický systém, který má vlastnosti komplexního systému. Komplexní systém má mnoho nezávislých komponentních proměnných, které mezi sebou vzájemně komunikují mnoha komplikovanými způsoby. Proto,považuje se za obtížné předvídat a kontrolovat.

  Výnos při výrobě polovodičů je silně ovlivněn několika faktory, včetně částic nebo kontaminantů na plátku, látky ve výrobních nástrojích, parametry výrobních procesů, postoje strojních pracovníků,a návrh polovodičů.

  Polovodičové společnosti mohou dosáhnout určitého stupně výnosu použitím statistických kontrolních procesů a 6-sigma na polovodič. Zvýšení výtěžku, které využívá statistických měření, však má při prevenci nízkého výtěžku obtížhodně efektivně předem. Je to proto, že proměnné výrobního procesu, které ovlivňují změny ve výtěžku, mají nelineární komplexní vztah s výtěžkem. Díky tomuto interaktivnímu účinku mezi několika proměnnými, výrobcizjišťování problémů v čase, kdy malé změny ve vztahu mezi parametry procesu mohou způsobit změny ve výtěžku, je obtížné.

  Jsou tedy zapotřebí další inteligentní techniky, aby byly detekovány hlavní proměnné procesů, které vážně ovlivňují změny ve výtěžku. Tato studie vyvinula hybridní systém predikce výnosů v polovodičovém průmyslu, nazvanýHYPSSI jako doplněk k stávajícímu statistickému přístupu. Tento systém je založen na hybridní aplikaci strojních učebních technik, které zobrazují více procesních proměnných, které se týkají účinného předvídání výnosu z výrobyvýroba polovodičů. HYPSSI přijímá neuronové sítě (NN) a případové úvahy (CBR), které lze přímo aplikovat na účely predikce. Nicméně, CBR trpí vážení vlastností; když měří vzdálenost mezi nimiNěkteré funkce by měly být různě váženy. Bylo navrženo, aby většina vážených variant k-Nejbližšího souseda (k NN) přidělila vyšší váhy k důležitějším funkcím pro účely vyhledávání případů [2,37]. Ačkoli tyvarianty byly hlášeny jako zlepšení jejich přesnosti při vyhledávání některých úkolů, jen málo bylo použito ve spojení s neuronovými sítěmi k předpovědiVýkonnost při výrobě polovodičů.

  Aby bylo možné vážit funkce a řídit CBR, HYPSSI používá čtyři způsoby vážení vlastností: citlivost, aktivitu, důležitost a relevanci. Každá metoda vypočítá stupeň významnosti jednotlivých prvků pomocí závaží aaktivační vzory uzlů ve vyškolené neuronové síti.

  Za účelem ověření tohoto hybridního přístupu v rámci odvětví polovodičů byl HYPSSI aplikován na International Semiconductor Company, která je jedním z nejlepších výrobců na světě. Po porovnání tohoto hybridumetoda s jinými metodami, které byly použity, tento článek ukazuje, hybridní metoda poskytuje přesnější předpověď výnosu.

  Tento článek je uspořádán následovně: Oddíl 2 přezkoumává různé přístupy používané při poskytování správy výnosu aplikované na výrobu polovodičů. Tato část se zaměřuje na hybridní aplikace kombinující techniky učení stroje.

  Část 3 popisuje metodiku systému hybridního predikčního výnosu v polovodičovém průmyslu nazvaném HYPSSI. Experimentální výsledky jsou uvedeny v kapitole 4 pro validaci systému. Konečně, tento článek je uzavřen bri fl yshrnující studii a směr budoucího výzkumu.

  Přehled literatury

  Metody výzkumu aplikované na výrobu polovodičů

  V odvětví špičkových technologií, jako je výroba polovodičů, je zlepšení výnosu stále důležitější, jelikož pokročilé výrobní technologie jsou komplikované a mnoho vzájemně propojených faktorů ovlivňuje výtěžnost vyrobených plátků. Trochustudie se zaměřily na zlepšení výnosové výkonnosti a snížení nákladů na provoz a kapitálové investice v odvětví polovodičů. Pro výrobu polovodičů se používá několik statistických přístupů. Wang [36] použil nižšíověření vázanosti a testování způsobilosti pro výtěžnost procesu, které mohou určit, zda výrobní postupy splňují požadavky na způsobilost. Kaempf [18] použil binomický test s grafickými výkazy výtěžku skutečných výrobních destiček naidentifikovat zdroje defektů ve výrobním procesu. Cho et al. [9] popsal variant analýzy hlavních komponent, který se rozkládávariabilita procesu za použití statistiky měření z výroby.

  Sobrino a Bravo [32] ztělesňovali indukční algoritmus, aby se seznámili s pokusnými příčinami nízkokvalitních destiček z výrobních dat. Poslední a Kandel [22] představili síť automatického vnímání pro přesné plánování výnosuautomatizovaná konstrukce modelů z hlučných datových sad.

  Jedna technika může být kombinována s jinými technikami, aby se zlepšila kvalita výzkumu při jeho použití v procesu predikce výnosu. Kang a kol. [19] integrované indukční rozhodovací stromy a NN se zpětným šířením aSOM algoritmy pro řízení výnosů u hlavních procesů výroby polovodičů. Shin and Park [31] integrované neuronové sítě a úvahy založené na paměti založené na vývoji systému predikce výnosu z oblázků pro výrobu polovodičů. Yanget al. [40] smíšené vyhledávání tabu a simulované žíhání s cílem integrovat konfiguraci uspořádání a automatizované systémy manipulace s materiálem při výrobě oplatky.

  Chien a kol. [8] zahrnoval shlukování k-prostředků a rozhodovací strom pro odvození možných příčin chyb a variací výrobních procesů z výrobních dat polovodičů. Hsu a Chien [13] integrované prostorové statistiky aadaptivní rezonanční teorie neuronových sítí pro extrahování vzorků z mapových desek a spojit se s výrobními vadami. Li a Huang [23] integrovali samorozbalovací mapu (SOM) a podpůrný vektorový stroj (SVM): seskupení SOMmapové karty; třída SVM mapuje kazety s obalovými deskami pro identifikaci výrobních vad. Wang [35] představil systém diagnostiky prostorových defektů pro výrobu polovodičů, který kombinuje fuzzy shlukování založené na čtvercové chybě ajádrové spektrální shlukování a rozhodovací strom. Romaniuk a Hall [29] navrhli systém SC-net, který poskytuje schopnost expertních systémů s učením v hybridním spojenském / symbolickém přístupu za účelem detekce polovodičůchyba plátku. Chaudhry a kol. [6] navrhl metodu fuzzy entity-relationship pro vytvoření prototypu fuzzy relační databáze pro diskrétní řídící systém vhodný pro proces výroby polovodičů.

  Další oblasti výzkumu využívající hybridní CBR

  Společnost Liao [25] zkoumala odbornou literaturu pro vývoj odborných systémů od roku 1995 do roku 2004. Na základě svých zjištění byly vyvinuty hlavní aplikace implementující hybridní CBR v následujících oblastech: konstrukční řešení a diagnostika poruch,modelování a řízení znalostí, zdravotnické plánování a aplikace a oblasti finanční prognózy.

  Hybridní přístup CBR byl široce používán při výrobě a diagnostice poruch. Hui a Jha [16] integrovali argumenty založené na NN, CBR a pravidlech pro podporu činností zákaznických služeb, jako je podpora rozhodování a strojdiagnostiku poruch ve výrobním prostředí. Liao [26] integroval metodu CBR s vícevrstvým perceptronem pro automatickou identifikaci mechanismů selhání v celém procesu analýzy poruch. Yang a kol. [39] integrovaný CBRs ART-Kohonen NN pro zlepšení diagnostiky poruch elektromotorů. Tan et al. [34] integrovaný CBR a fuzzy ARTMAP NN, které podporují manažery při vytváření včasných a optimálních investičních rozhodnutí v oblasti výrobních technologií. Saridakis aDentsoras [30] představil návrh kufříku s měkkým výpočetním systémem pro vyhodnocení parametrického návrhu oscilačního dopravníku.

  Byly vyvinuty následující výzkumné práce v oblasti modelování a řízení znalostí. Hui a kol. [15] kombinoval přístup CBR a NN k získání poznatků z předchozích zákaznických služeb a připomněl vhodnýslužba. Choy a kol. [10] vyvinula inteligentní systém řízení vztahů s dodavateli s použitím hybridních technik CBR a NN pro výběr a srovnání potenciálních dodavatelů společnosti Honeywell Consumer Products Limited v Hongkongu. Yu a Liu[41] navrhla hybridizaci jak symbolických, tak numerických úvah, aby bylo dosaženo vyšší přesnosti a překonání problému s nedostatkem dat v databázi stavebních projektů. Chen a Hsu [7] vyřešily potenciální problémy s žalobamizpůsobené změnou objednávek ve stavebních projektech. Využili NN, aby předpověděli pravděpodobnost sporů a využili CBR k varování výnosů. Im a Park [17] vyvinuli hybridní odborný systém CBR a NN pro personalizovaný poradenský systémpro kosmetický průmysl. Liu a kol. [27] vyvinula techniku ​​redukce případů založenou na asociaci, aby se zmenšila velikost základny kazety, aby se zvýšila efektivita při zlepšování přesnosti CBR. Sun a kol. [33] postavil azaložené na vztazích podobnosti a vztazích fuzzy podobnosti, které jsou oba definovány na možném světě problémů a řešení.

  Hybridní CBR se také používá v oblastech lékařského plánování a aplikace. Guiu a kol. [12] zavedl klasifikační systém na bázi případů, který řeší automatickou diagnostiku mamografických bioptických obrazů. Hsu a Ho [14] kombinovali CBR, NN, fuzzyteorie a teorie indukce spolu s cílem usnadnit diagnostiku více nemocí a učení se o nových znalostech adaptace. Wyns a kol. [38] použil modifikované mapování Kohonen v kombinaci s hodnotícím kritériem CBR k předčasnému předpovědiartritida, včetně revmatoidní artritidy a spondyloartropatie. Ahn a Kim [1] kombinovali CBR s genetickými algoritmy k vyhodnocení cytologických rysů odvozených z digitálního snímání sklíček s aspiračními jehlami prsu (FNA).

  Hybridní CBR byly také použity ve finančních prognostických oblastech. Kim a Han [20] představili metodu indexování případů CBR, která využívá SOM k předpovědi hodnocení podnikových dluhopisů. Li et al. [24] představil funkci založenou na prvcíchpodobnost opatření k vypořádání se s finančním odhalením predikce (např. předpověď bankrot) v Číně. Chang a Lai [4] integrovali SOM a CBR pro prognózy prodeje nově vydaných knih. Chang et al. [5] vyvinul systém CBR sgenetický algoritmus pro předávání knih pro velkoobchodníky. Chun a Park [11] navrhli regresní CBR pro finanční prognózu, který aplikuje rozdílné váhy na nezávislé proměnné předtím, než se objeví podobné případy. Kumar a Ravi [21]představil komplexní přehled prací využívajících NN a CBR k vyřešení problémů předpovědi bankrotu, jimž čelí banky.

  Hybridní predikční systém v polovodičovém průmyslu (HYPSSI)

  Aby se zlepšila schopnost předvídat výtěžnost přesně, vyvinul hybridní systém predikce výnosu v polovodičovém průmyslu (HYPSSI). Jedná se o následující hybridní metodu, která kombinuje techniky učení stroje, jako je(BPN), CBR a k NN (viz obr. 1).

  HYPSSI se skládá ze čtyř fází: učení o vztahu mezi proměnnými případů a výtěžnosti, vážení vlastností, extrakci k podobným případům a vážené zprůměrování extrahovaných výnosů. První fáze představuje relativní významnezávislé proměnné od vztahu mezi nezávislými proměnnými (tj. proměnné výrobního procesu) a závislou proměnnou (tj. výtěžkem). Když je výcvik BPN ukončen v případě výkazu výnosu,váhy spojení vyškolené neuronové sítě odhalují důležitost vztahu mezi procesními proměnnými a výnosem.

  K získání sady vlastností závaží z vyškolené sítě se používají čtyři metody vážení vlastností: citlivost, aktivita, významnost a relevance [28,37,42]. Každá z těchto metod vypočítá stupeň jednotlivých prvkůvýznam pomocí vazebných závaží a aktivačních vzorků uzlů ve vyškolené neuronové síti. Algoritmy vážení vlastností jsou popsány velmi rychle takto:

  Metoda vážení "Citlivost": Citlivost vstupní uzel (Seni) se vypočítá odebráním vstupního uzlu z vyškolené neuronové sítě. Citlivost vstupního uzlu je rozdíl v chybě mezi odstraněníma když je ponechán na místě. Seni se vypočte podle následující rovnice

  kde E (0) udává množství chyby po odstranění vstupního uzlu i a E (wf) znamená hodnotu chyby, když je uzel nedotčen. Hodnota chyby je založena na následující rovnici

  kde CB je kazeta, která obsahuje případové proměnné (vlastnosti) a odpovídající výtěžek a y označuje skutečnou hodnotu výnosu a oy označuje hodnotu výtěžku pozorovanou BPN.

Rozpoznávání výnosových vzorů (1)

  Úvod

  Ve výrobě polovodičů jsou finální výrobky vyráběny několika stovkami procesů, které jsou vysoce automatizované a dramaticky vzájemně závislé. Většina výrobních postupů používaných dnes je komplexně propojena astávají se při použití technologie nanometrů neměnné.

  U těchto výrobců nebo inženýrů je výnos považován za velmi důležitý faktor, který je třeba sledovat a kontrolovat. Výtěžnost je definována jako poměr normálních výrobků k dokončeným výrobkům. Řízení výnosů v polovodičiprůmysl je chápán jako komplexní analytický systém, který má vlastnosti komplexního systému. Komplexní systém má mnoho nezávislých komponentních proměnných, které mezi sebou vzájemně komunikují mnoha komplikovanými způsoby. Proto,považuje se za obtížné předvídat a kontrolovat.

  Výnos při výrobě polovodičů je silně ovlivněn několika faktory, včetně částic nebo znečišťujících látek na plátku, látky ve výrobních nástrojích, parametry výrobních procesů, postoje strojních pracovníků,a návrh polovodičů.

  Polovodičové společnosti mohou dosáhnout určitého stupně výnosu použitím statistických kontrolních procesů a 6-sigma na polovodič. Zvýšení výtěžku, které využívá statistických měření, však má při prevenci nízkého výtěžku obtížhodně efektivně předem. Je to proto, že proměnné výrobního procesu, které ovlivňují změny ve výtěžku, mají nelineární komplexní vztah s výtěžkem. Díky tomuto interaktivnímu účinku mezi několika proměnnými, výrobcizjišťování problémů v čase, kdy malé změny ve vztahu mezi parametry procesu mohou způsobit změny ve výtěžku, je obtížné.

  Jsou tedy zapotřebí další inteligentní techniky, aby byly detekovány hlavní proměnné procesů, které vážně ovlivňují změny ve výtěžku. Tato studie vyvinula hybridní systém predikce výnosů v polovodičovém průmyslu, nazvanýHYPSSI jako doplněk k stávajícímu statistickému přístupu. Tento systém je založen na hybridní aplikaci strojních učebních technik, které zobrazují více procesních proměnných, které se týkají účinného předvídání výnosu z výrobyvýroba polovodičů. HYPSSI přijímá neuronové sítě (NN) a případové úvahy (CBR), které lze přímo aplikovat na účely predikce. Nicméně, CBR trpí vážení vlastností; když měří vzdálenost mezi nimiNěkteré funkce by měly být různě váženy. Bylo navrženo, aby většina vážených variant k-Nejbližšího souseda (k NN) přidělila vyšší váhy k důležitějším funkcím pro účely vyhledávání případů [2,37]. Ačkoli tyvarianty byly hlášeny jako zlepšení jejich přesnosti při vyhledávání některých úkolů, jen málo bylo použito ve spojení s neuronovými sítěmi k předpovědiVýkonnost při výrobě polovodičů.

Aby bylo možné vážit funkce a řídit CBR, HYPSSI používá čtyři způsoby vážení vlastností: citlivost, aktivitu, důležitost a relevanci. Každá metoda vypočítá stupeň významnosti jednotlivých prvků pomocí závaží aaktivační vzory uzlů ve vyškolené neuronové síti.

  Za účelem ověření tohoto hybridního přístupu v rámci odvětví polovodičů byl HYPSSI aplikován na International Semiconductor Company, která je jedním z nejlepších výrobců na světě. Po porovnání tohoto hybridumetoda s jinými metodami, které byly použity, tento článek ukazuje, hybridní metoda poskytuje přesnější předpověď výnosu.

  Tento článek je uspořádán následovně: Oddíl 2 přezkoumává různé přístupy používané při poskytování správy výnosu aplikované na výrobu polovodičů. Tato část se zaměřuje na hybridní aplikace kombinující techniky učení stroje.

  Část 3 popisuje metodiku systému hybridního predikčního výnosu v polovodičovém průmyslu nazvaném HYPSSI. Experimentální výsledky jsou uvedeny v kapitole 4 pro validaci systému. Konečně, tento článek je uzavřen bri fl yshrnující studii a směr budoucího výzkumu.

  Přehled literatury

  Metody výzkumu aplikované na výrobu polovodičů

V odvětví špičkových technologií, jako je výroba polovodičů, je zlepšení výnosu stále důležitější, jelikož pokročilé výrobní technologie jsou komplikované a mnoho vzájemně propojených faktorů ovlivňuje výtěžnost vyrobených plátků. Trochustudie se zaměřily na zlepšení výnosové výkonnosti a snížení nákladů na provoz a kapitálové investice v odvětví polovodičů. Pro výrobu polovodičů se používá několik statistických přístupů. Wang [36] použil nižšíověření vázanosti a testování způsobilosti pro výtěžnost procesu, které mohou určit, zda výrobní postupy splňují požadavky na způsobilost. Kaempf [18] použil binomický test s grafickými výkazy výtěžku skutečných výrobních destiček naidentifikovat zdroje defektů ve výrobním procesu. Cho et al. [9] popsal variant analýzy hlavních komponent, který se rozkládávariabilita procesu za použití statistiky měření z výroby.

  Sobrino a Bravo [32] ztělesňovali indukční algoritmus, aby se seznámili s pokusnými příčinami nízkokvalitních destiček z výrobních dat. Poslední a Kandel [22] představili síť automatického vnímání pro přesné plánování výnosuautomatizovaná konstrukce modelů z hlučných datových sad.

  Jedna technika může být kombinována s jinými technikami, aby se zlepšila kvalita výzkumu při jeho použití v procesu predikce výnosu. Kang a kol. [19] integrované indukční rozhodovací stromy a NN se zpětným šířením aSOM algoritmy pro řízení výnosů u hlavních procesů výroby polovodičů. Shin and Park [31] integrované neuronové sítě a úvahy založené na paměti založené na vývoji systému predikce výnosu z oblázků pro výrobu polovodičů. Yanget al. [40] smíšené vyhledávání tabu a simulované žíhání s cílem integrovat konfiguraci uspořádání a automatizované systémy manipulace s materiálem při výrobě oplatky.

  Chien a kol. [8] zahrnoval shlukování k-prostředků a rozhodovací strom pro odvození možných příčin chyb a variací výrobních procesů z výrobních dat polovodičů. Hsu a Chien [13] integrované prostorové statistiky aadaptivní rezonanční teorie neuronových sítí pro extrahování vzorků z mapových desek a spojit se s výrobními vadami. Li a Huang [23] integrovali samorozbalovací mapu (SOM) a podpůrný vektorový stroj (SVM): seskupení SOMmapové karty; třída SVM mapuje kazety s obalovými deskami pro identifikaci výrobních vad. Wang [35] představil systém diagnostiky prostorových defektů pro výrobu polovodičů, který kombinuje fuzzy shlukování založené na čtvercové chybě ajádrové spektrální shlukování a rozhodovací strom. Romaniuk a Hall [29] navrhli systém SC-net, který poskytuje schopnost expertních systémů s učením v hybridním spojenském / symbolickém přístupu za účelem detekce polovodičůchyba plátku. Chaudhry a kol. [6] navrhl metodu fuzzy entity-relationship pro vytvoření prototypu fuzzy relační databáze pro diskrétní řídící systém vhodný pro proces výroby polovodičů.

Další oblasti výzkumu využívající hybridní CBR

  Společnost Liao [25] zkoumala odbornou literaturu pro vývoj odborných systémů od roku 1995 do roku 2004. Na základě svých zjištění byly vyvinuty hlavní aplikace implementující hybridní CBR v následujících oblastech: konstrukční řešení a diagnostika poruch,modelování a řízení znalostí, plánování medicíny a aplikace a oblasti finanční prognózy.

  Hybridní přístup CBR byl široce používán při výrobě a diagnostice poruch. Hui a Jha [16] integrovali argumenty založené na NN, CBR a pravidlech pro podporu činností zákaznických služeb, jako je podpora rozhodování a strojdiagnostiku poruch ve výrobním prostředí. Liao [26] integroval metodu CBR s vícevrstvým perceptronem pro automatickou identifikaci mechanismů selhání v celém procesu analýzy poruch. Yang a kol. [39] integrovaný CBRs ART-Kohonen NN pro zlepšení diagnostiky poruch elektromotorů. Tan et al. [34] integrovaný CBR a fuzzy ARTMAP NN, které podporují manažery při vytváření včasných a optimálních investičních rozhodnutí v oblasti výrobních technologií. Saridakis aDentsoras [30] představil návrh kufříku s měkkým výpočetním systémem pro vyhodnocení parametrického návrhu oscilačního dopravníku.

  Byly vyvinuty následující výzkumné práce v oblasti modelování a řízení znalostí. Hui a kol. [15] kombinoval přístup CBR a NN k získání poznatků z předchozích zákaznických služeb a připomněl vhodnýslužba. Choy a kol. [10] vyvinula inteligentní systém řízení vztahů s dodavateli s použitím hybridních technik CBR a NN pro výběr a srovnání potenciálních dodavatelů společnosti Honeywell Consumer Products Limited v Hongkongu. Yu a Liu[41] navrhla hybridizaci jak symbolických, tak numerických úvah, aby bylo dosaženo vyšší přesnosti a překonání problému s nedostatkem dat v databázi stavebních projektů. Chen a Hsu [7] vyřešily potenciální problémy s žalobamizpůsobené změnou objednávek ve stavebních projektech. Využili NN, aby předpověděli pravděpodobnost sporů a využili CBR k varování výnosů. Im a Park [17] vyvinuli hybridní odborný systém CBR a NN pro personalizovaný poradenský systémpro kosmetický průmysl. Liu a kol. [27] vyvinula techniku ​​redukce případů založenou na asociaci, aby se zmenšila velikost základny kazety, aby se zvýšila efektivita při zlepšování přesnosti CBR. Sun a kol. [33] postavil azaložené na vztazích podobnosti a vztazích fuzzy podobnosti, které jsou oba definovány na možném světě problémů a řešení.

  Hybridní CBR se také používá v oblastech lékařského plánování a aplikace. Guiu a kol. [12] zavedl klasifikační systém na bázi případů, který řeší automatickou diagnostiku mamografických bioptických obrazů. Hsu a Ho [14] kombinovali CBR, NN, fuzzyteorie a teorie indukce spolu s cílem usnadnit diagnostiku více nemocí a učení o nových poznatcích o adaptaci. Wyns a kol. [38] použil modifikované mapování Kohonen v kombinaci s hodnotícím kritériem CBR k předčasnému předpovědiartritida, včetně revmatoidní artritidy a spondyloartropatie. Ahn a Kim [1] kombinovali CBR s genetickými algoritmy k vyhodnocení cytologických rysů odvozených z digitálního snímání sklíček s aspiračními jehlami prsu (FNA).

  Hybridní CBR byly také použity ve finančních prognostických oblastech. Kim a Han [20] představili metodu indexování případů CBR, která využívá SOM k předpovědi hodnocení podnikových dluhopisů. Li et al. [24] představil funkci založenou na prvcíchpodobnost opatření k vypořádání se s finančním odhalením predikce (např. předpověď bankrot) v Číně. Chang a Lai [4] integrovali SOM a CBR pro prognózy prodeje nově vydaných knih. Chang et al. [5] vyvinul systém CBR sgenetický algoritmus pro předávání knih pro velkoobchodníky. Chun a Park [11] navrhli regresní CBR pro finanční prognózu, který aplikuje rozdílné váhy na nezávislé proměnné předtím, než se objeví podobné případy. Kumar a Ravi [21]představil komplexní přehled prací využívajících NN a CBR k vyřešení problémů předpovědi bankrotu, jimž čelí banky.

  Hybridní predikční systém v polovodičovém průmyslu (HYPSSI)

  Aby se zlepšila schopnost předvídat výtěžnost přesně, vyvinul hybridní systém predikce výnosu v polovodičovém průmyslu (HYPSSI). Jedná se o následující hybridní metodu, která kombinuje techniky učení stroje, jako je(BPN), CBR a k NN (viz obr. 1).

  HYPSSI se skládá ze čtyř fází: učení o vztahu mezi proměnnými případů a výtěžnosti, vážení vlastností, extrakci k podobným případům a vážené zprůměrování extrahovaných výnosů. První fáze představuje relativní významnezávislé proměnné od vztahu mezi nezávislými proměnnými (tj. proměnné výrobního procesu) a závislou proměnnou (tj. výtěžkem). Když je výcvik BPN ukončen v případě výkazu výnosu,váhy spojení vyškolené neuronové sítě odhalují důležitost vztahu mezi procesními proměnnými a výnosem.

  K získání sady vlastností závaží z vyškolené sítě se používají čtyři metody vážení vlastností: citlivost, aktivita, významnost a relevance [28,37,42]. Každá z těchto metod vypočítá stupeň jednotlivých prvkůvýznam pomocí vazebných závaží a aktivačních vzorků uzlů ve vyškolené neuronové síti. Algoritmy vážení vlastností jsou popsány velmi rychle takto:

  Metoda vážení "Citlivost": Citlivost vstupní uzel (Seni) se vypočítá odebráním vstupního uzlu z vyškolené neuronové sítě. Citlivost vstupního uzlu je rozdíl v chybě mezi odstraněníma když je ponechán na místě. Seni se vypočte podle následující rovnice

  kde E (0) udává množství chyby po odstranění vstupního uzlu i a E (wf) znamená hodnotu chyby, když je uzel nedotčen. Hodnota chyby je založena na následující rovnici

  kde CB je kazeta, která obsahuje případové proměnné (vlastnosti) a odpovídající výtěžek a y označuje skutečnou hodnotu výnosu a oy označuje hodnotu výtěžku pozorovanou BPN.

Podle tabulky ukazuje BPN + CBR_Sen nejnižší míru chyb, když je k nastaveno na hodnotu fin; BPN + CBR_Act má nejnižší míru chyb, když k je nastaveno na 11; BPN + CBR_Sal zobrazuje nejnižší míru chyb, když je k nastaveno na hodnotu; a BPN+ CBR_Rel zobrazuje nejnižší míru chyb, když je k nastaveno na devět. Kromě těch bodů k v každé metodě vážení se míra chybovosti mírně zvýšila.

Tabulka č. 1Předpokládají se chyby v úvahách založených na jednotlivých případech se čtyřmi schémami vážení.

Rozpoznávání výnosových vzorců (2)

Rozpoznávání výnosových vzorů (3)

Obrázek 2. Průměrná přesnost předpovědi každé schémy vážení.

  Na obr. 2 je znázorněna průměrná předpovědní přesnost všech metod vážení vlastností podle měnících se hodnot k.

  Všechny čtyři metody vážení převyšovaly metodu samotnou CBR v každém experimentu. Navíc u většiny experimentů vykazovala BPN + CBR_Act nejvyšší přesnost předpovědi, následovala BPN + CBR_Sal, BPN + CBR_Rel a BPN +CBR_Sen.

  Jak se k zvyšuje na 11, rozdíl v přesnosti předpovědi se zvětší mezi samotnými metodami CBR a BPN + CBR_Act. Existují však malé rozdíly v přesnosti předpovědi mezi čtyřmi vlastnostmimetody.

  Obecně je obtížné rozhodnout, který způsob vážení je nejlepší. Autoři navrhují, že je třeba testovat čtyři metody v počáteční vývojové fázi a poté implementovat jednu s nejnižší prognózní chybou vvýrobní fázi. V tomto případě je přijetí metody vážení BPN + CBR_Act přijatelným řešením pro odhad výtěžnosti při výrobě polovodičů.

  Závěr

  Řízení výnosů v odvětví polovodičů je velmi důležitá řídící praxe, která musí být monitorována a zcela kontrolována. Protože proměnné výrobního procesu mají nelineární komplexní vztah s výtěžností,výrobci potřebují inteligentní přístup k určení vztahu mezi parametry procesu v čase.

  V tomto příspěvku autorové navrhli a použili HYPSSI, hybridní metodu kombinující BPN a CBR, aby předpovědi výnosu cílové výrobní společnosti polovodičů. V HYPSSI byl BPN použit k určení relativních závažícharakteristiky výrobního procesu každého případu v základním případě výnosu.

  Jak se ukázalo v literatuře v oddíle 2, neexistoval žádný předchozí podobný výzkum pro předpovídání výtěžnosti polovodičové společnosti používající CBR neuronové rysové váhy. HYPSSI ukázal, že CBR sMetoda vážení "aktivity" měla lepší míru predikce, překonala samotnou CBR a všechny ostatní metody vážení. Hybridní CBR vykazoval také lepší výkon než stávající statistický přístup (přichází přesnost předpovědiz vícenásobné regresní analýzy dosáhlo přibližně 80%).

  Nicméně, aby bylo dosaženo přesnější předpovědi, HYPSSI potřebuje více procesních proměnných a dat z cílové společnosti. Přestože stávající 16 proměnných použitých v tomto dokumentu byly určeny výrobními inženýry,je obtížné dosáhnout přesnější míry predikce pouze pomocí těchto proměnných a dat. To bude další oblast, ve které by měl být výzkum prováděn.

Komentáře

 0 / 5

 0  

Podpěra, podpora

Get A Quote

Domov

autorská práva2021 Nanjing Harsle Machine Tool Co. Ltd. Všechna práva vyhrazena.