針對(duì)晶圓制造數(shù)據(jù)異常檢測(cè)過程中異常特征提取難度大且檢測(cè)效率不高的問題,提出了一種基于誤差注意力的晶圓制造數(shù)據(jù)異常檢測(cè)方法。在保持?jǐn)?shù)據(jù)分布不變的前提下,將晶圓制造數(shù)據(jù)轉(zhuǎn)化成灰度圖像,根據(jù)與正常樣本的誤差對(duì)灰度圖像生成基于位置的柔性注意力圖,增加誤差特征的顯性表達(dá)并略去冗余特征;利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)LeNet-5模型將注意力圖進(jìn)行卷積訓(xùn)練,得到異常檢測(cè)的最優(yōu)化模型。采用晶圓制造數(shù)據(jù)集與現(xiàn)有方法進(jìn)行對(duì)比,所提方法耗時(shí)縮短160%、F2-Score提高3%,證明了所提方法的有效性。 

【文章來源】：中國(guó)機(jī)械工程. 2020,31(14)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

傳統(tǒng)晶圓制造數(shù)據(jù)異常檢測(cè)方法框架

(3)異常檢測(cè)。針對(duì)傳統(tǒng)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)LeNet-5[21]模型對(duì)應(yīng)不同場(chǎng)景下的晶圓制造數(shù)據(jù)集進(jìn)行調(diào)整,模型共分7層,分別是輸入層、卷積層、池化層、卷積層、池化層、全連接層和輸出層,將施加注意力的特征圖放入模型訓(xùn)練后,利用訓(xùn)練好的模型進(jìn)行分類。1.1 特征保持的數(shù)據(jù)圖像化

施加注意力前后對(duì)比

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合注意力機(jī)制的深度學(xué)習(xí)圖像目標(biāo)檢測(cè)[J]. 孫萍,胡旭東,張永軍.  計(jì)算機(jī)工程與應(yīng)用. 2019(17)
[2]改進(jìn)LeNet-5網(wǎng)絡(luò)在圖像分類中的應(yīng)用[J]. 劉金利,張培玲.  計(jì)算機(jī)工程與應(yīng)用. 2019(15)
[3]面向高維數(shù)據(jù)的個(gè)人信貸風(fēng)險(xiǎn)評(píng)估方法[J]. 廖文雄,曾碧,梁天愷,徐雅蕓,趙俊峰.  計(jì)算機(jī)工程與應(yīng)用. 2020(04)
[4]基于注意力選擇的局部特征匹配方法[J]. 楊燕,胡小鵬,吳思寧,王凡,劉培啟.  大連理工大學(xué)學(xué)報(bào). 2019(02)
[5]視覺注意力檢測(cè)綜述[J]. 王文冠,沈建冰,賈云得.  軟件學(xué)報(bào). 2019(02)
[6]數(shù)據(jù)驅(qū)動(dòng)的晶圓圖缺陷模式識(shí)別方法[J]. 楊振良,汪俊亮,張潔,蔣小康.  中國(guó)機(jī)械工程. 2019(02)
[7]基于多通道視覺注意力的細(xì)粒度圖像分類[J]. 王培森,宋彥,戴禮榮.  數(shù)據(jù)采集與處理. 2019(01)
[8]基于數(shù)據(jù)深度的過程工業(yè)故障檢測(cè)方法[J]. 車建國(guó),趙賽.  計(jì)算機(jī)工程與應(yīng)用. 2020(01)
[9]SiGe集成電路工藝技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)[J]. 馬羽,王志寬,崔偉.  微電子學(xué). 2018(04)
[10]基于深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類方法[J]. 王勇,周慧怡,俸皓,葉苗,柯文龍.  通信學(xué)報(bào). 2018(01)



本文編號(hào)：2974460