CN103075959A - 一种改进的基于支持向量机的纳米结构特征尺寸提取方法 - Google Patents

Abstract

本发明公开了一种改进的基于支持向量机的半导体纳米结构特征尺寸提取方法，步骤为：确定每一个待提取参数的取值范围，生成子光谱数据库；利用训练光谱和支持向量机训练网络进行支持向量机训练；对每一个待提取参数利用训练光谱重复训练多个支持向量机，每一个支持向量机的训练终止条件均不相同；利用多个支持向量机，对测量光谱进行映射；找出所有支持向量机映射结果中出现次数最高的一个，视为最有可能出现的取值区间；建立子光谱数据库，找出其中与测量光谱最为相似的仿真光谱，即认为是待测结构的参数值。本发明可以实现特征线宽、高度、侧壁角等纳米结构参数的精确快速提取，且流程实现简单，进一步地实现了纳米结构特征尺寸的鲁棒性提取。

Description

一种改进的基于支持向量机的纳米结构特征尺寸提取方法

技术领域

本发明属于半导体散射光学测量领域，具体涉及一种改进的基于支持向量机的纳米结构特征尺寸快速提取方法，相对于传统的基于支持向量机的纳米结构特征尺寸提取方法，该方法能获得更加鲁棒的提取结果。它适用于对半导体纳米结构的特征尺寸进行快速、精确地测量。

背景技术

在纳米制造工艺过程中，对纳米结构的三维形貌参数进行快速、非破坏性、低成本的测量，对保持纳米产品的可靠性、一致性、经济性和规模生产方面具有重要的意义。这些待测的纳米结构三维形貌包括特征线宽(特征尺寸)、高度、周期和侧壁角等。

光学散射仪(Scatterometry)是一种基于光学原理的半导体纳米结构特征尺寸测量设备。光学散射仪的测量过程包括正向光学特性建模和逆向求取两个部分。正向光学特性建模是对待测纳米结构的几何模型进行光学散射场仿真，获取仿真光谱。逆向求取部分则包括将测量光谱与仿真光谱不断进行对比，在一定的评价函数下相似度最高的仿真光谱对应的模型结构参数即认为是待测纳米结构的参数值。在光学散射仪的逆向参数提取部分，最常用的就是基于库匹配的方法。该方法首先要求针对某个待测结构模型建立一个仿真光谱数据库，该数据库中每一条独立的光谱对应着一个结构参数值确定的模型。对每一条测量光谱，按照某一评价函数在整个数据库中搜寻与其最为近似的仿真光谱，该仿真光谱对应的模型结构参数值，即被认为是待测结构的参数值。然而，光谱数据库中往往包括大量的仿真光谱，并且随着纳米结构待求参数的增多，仿真参数范围的扩大以及参数提取要求精度的提高，光谱的数量将进一步呈现几何级数的增长。为了满足工业中的实时性和快速性的参数提取要求，实现测量光谱在大型光谱数据库中的快速匹配，就需要摒弃传统的全库搜索，提出新的光谱搜索策略。

目前，光谱数据库的搜索策略大体上可以分为两类：一类是基于硬件加速的测量光谱匹配，如法国国家科学研究中心的研究员索兰等人(S.Soulan et al.，Proc.SPIE6518，pp.1110-1121，2007)采用了图形处理器(Graphic Processing Unit，GPU)来加速测量光谱在数据库中的最相似仿真光谱匹配。与中央处理器(Central Processing Unit，CPU)不同，图形处理器是专为处理图像而设计的一种硬件加速模块，它具有更快的数据处理速度、更多的数据处理能力和并行计算能力，索兰等人通过将多条仿真光谱整理成一个代表着“光谱图像”的矩阵，实现了光谱的快速匹配，从而实现了几何参数的快速提取。索兰等人提出的方法尽管实现了几何参数的快速提取，但是随着仿真光谱数据库规模的进一步扩大，必须采用更为强劲高效的GPU，这限制了这种基于硬件加速的搜索策略的可扩展性；另外一类则是基于软件，也就是基于算法的测量光谱匹配策略，如基于K-d树的搜索策略，但是该方法不能预估搜索需要的时间，对于超大型光谱数据库而言，不具备实用性。又如基于局部灵敏度哈希散列的光谱搜索方法，该方法通过预先准备好的分类器将测量光谱按照最大概率原则分配到一个可能包含其最邻近仿真光谱的小范围光谱数据库中，进而在这个小范围的数据库中进行搜索。该方法是以牺牲了部分精度及鲁棒性来换取搜索速度。

在支持向量机的架构上，中国专利文献CN102750333A“一种用于提取半导体纳米结构特征尺寸的方法”提出了一种基于支持向量机的快速光谱数据库搜索策略。该基于支持向量机的快速光谱搜索策略首先训练一个支持向量机分类器，利用该分类器可以将测量光谱映射到一个预先划分完毕的子光谱数据库中，进而在映射到的子光谱数据库中展开最邻近仿真光谱搜索。通过将光谱数据库划分成更多的子光谱数据库，并给分类器的输出端添加相应数目的对应类，就可以获得更快的光谱匹配速度。但是，该方法的结果，也就是是否能在映射到的子光谱数据库中搜索到全局最邻近仿真光谱，取决于分类器的映射精度，虽然支持向量机从理论上具有最优的泛化能力，但是单独的一个支持向量机仍然不能保证具有很高的分类正确率。

发明内容

本发明的目的在于提供一种改进的基于支持向量机的半导体纳米结构特征尺寸提取方法，该方法可以实现特征线宽、高度、侧壁角等纳米结构参数的精确快速提取，且流程实现简单，进一步地实现了纳米结构特征尺寸的鲁棒性提取。

本发明提供的一种改进的基于支持向量机的半导体纳米结构特征尺寸的方法，该方法包括下述过程：

第1步确定每一个待提取参数的取值范围，生成子光谱数据库；利用训练光谱和支持向量机训练网络进行支持向量机训练；

第2步对每一个待提取参数利用第1步中的训练光谱重复训练多个支持向量机，每一个待提取参数对应的每一个支持向量机的训练终止条件均不相同；

第3步利用每一个待提取参数对应的多个支持向量机，对测量光谱进行映射；

第4步找出每一个待提取参数对应的所有支持向量机映射结果中出现次数最高的一个，该映射结果对应的子区间即被认为是此待提取参数最有可能出现的取值区间；

第5步按照第4步的方法，确定所有待提取参数的子取值区间，建立一个子光谱数据库；

第6步在所述的子光谱数据库中找出与测量光谱最为相似的仿真光谱，该仿真光谱对应的结构参数值即认为是待测结构的参数值。

作为上述技术方案的改进，第1步中，训练光谱的获取方法：

将每一个待提取参数对应一个支持向量机，每一个待提取参数的取值范围被划分成多少个子取值范围，则对应的支持向量机输出端包含多少个类，每一个类由一个唯一的数字标示，用来代表一个子区间范围；每一个类对应着一个训练光谱集，一个训练光谱集与一个子区间对应；对每一个子区间中等距离散取多个值，对每一个离散取值点利用正向光学特性建模程序仿真出一条仿真光谱，这些仿真光谱组成的集合即为一个训练光谱集；一个支持向量机所有输出类对应的训练光谱集所包含的总的训练光谱，即为该支持向量机所需要的训练光谱。

与专利文献CN102750333A相比，本发明在其基础上进行了相关改进：改变了训练光谱集的生成方式，提出了多支持向量机组映射机制并采用了投票策略，即采用多个支持向量机组对测量光谱进行映射，从而可以获得多个映射结果。从多个映射结果中找出出现频率最高的一个结果。从而增强了支持向量机的泛化能力，提高了测量光谱的映射准确度，进而提高了参数提取的鲁棒性。

附图说明

图1是本发明实例的实现流程图；

图2是本发明中包含的子数据库建立、分类器训练光谱所在参数范围的划分示意图；

图3是待测样件结构示意图；

图4是本发明中一个待提取参数对应的分类器结构示意图；

图5是光谱在数据库中的存储示意图；

图6是测量光谱在子数据库中的匹配检索示意图。

图7是随机取值模式和等距离散取值模式对比示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，该方法具体包括下述过程：

第1步将每一个待提取参数的取值范围划分成多个子取值范围；

第2步在每一个待提取参数对应的多个子取值范围中选取一个子取值范围，生成一个子参数取值组合，即一个子参数取值组合为所有待提取参数的某一个子取值范围组成的一个集合；

第3步将每一个子参数取值组合中的子参数取值范围均匀等距离散成多个值，在每一个待提取参数对应的子取值范围中选取一个离散值，所有待提取参数取的离散值组成一个离散值组合，对离散值组合利用正向光学特性建模程序生成一条对应的仿真光谱，所有离散值组合对应的仿真光谱组成一个子光谱数据库；

第4步将每一个待提取参数对应一个支持向量机，每一个待提取参数的取值范围被划分成多少个子取值范围，则对应的支持向量机输出端包含多少个类，每一个类由一个唯一的数字标示，用来代表一个子区间范围；每一个类对应着一个训练光谱集，一个训练光谱集与一个子区间对应。

第5步对每一个子区间中等距离散取多个值(一般情况下，取值个数应大于1000)，对每一个离散取值点利用正向光学特性建模程序仿真出一条仿真光谱，这些仿真光谱组成的集合即为一个训练光谱集；一个支持向量机所有输出类对应的训练光谱集所包含的总的训练光谱，即为该支持向量机所需要的训练光谱。

第6步对每一个待提取参数利用第5步中的训练光谱重复训练多个支持向量机，每一个待提取参数对应的每一个支持向量机的训练终止条件均不一样。

第7步利用每一个待提取参数对应的多个支持向量机，对测量光谱进行映射。

第8步找出每一个待提取参数对应的所有支持向量机映射结果中出现次数最高的一个，该映射结果对应的子区间即被认为是此待提取参数最有可能出现的取值区间。

第9步按照第8步的方法，可以确定所有待提取参数的子取值区间，进而唯一确定了一个子光谱数据库。

第10步利用常见的搜索算法在第9步确定的子光谱数据库中找出与测量光谱最为相似的仿真光谱，该仿真光谱对应的结构参数值即认为是待测结构的参数值。

下面以一维梯形光栅结构为例，说明本发明方法的具体过程。

(1)确定一维梯形光栅结构待提取的参数及其参数取值范围；

图3为一维梯形光栅结构示意图，其线宽(w)、线高(d)和侧壁角(SWA)为待提取的三个参数。Λ为该光栅的周期。

图2中分别用三个长方形①、②、③的长度来代表线宽(w)、线高(d)和侧壁角(SWA)的取值范围。

(2)对参数的取值范围进行划分，对划分得到的子参数范围进行不同的组合。并对每个组合进行离散取值，通过正向建模程序生成对应的子光谱数据库。

对每个待提取参数的取值范围可以采取等值或不等值的方式划分。本实例中对参一维梯形光栅结构待提取的三个参数的取值范围均采用等值对半划分方式。

分别利用这些不同的子参数范围组合，采用正向光学特性建模过程获取训练光谱或者子光谱数据库中的仿真光谱，训练光谱将用来训练支持向量机。正向光学特性建模过程的原理是基于麦克斯韦方程的数值或者解析求解，求解的方式可以采用严格耦合波法或者时域有限差分法等；正向光学特性建模程序可以采用自主编写的程序，或者市面上出售的商业软件，如Rsoft公司的RSoft软件。

图2中对每一个待提取参数的取值范围进行等值对半划分，即每个参数的取值范围均分为两部分，每一个部分称为子参数范围。为了对每个参数的不同的两个子参数范围加以区分，在图2中对每一个子取值范围上加入了一个唯一的几何形状：线高d的每一个子取值范围分别用位于其中的五角星和六角形表示；线宽w的子取值范围分别用位于其中的六边形和七边形表示；侧壁角SWA的每一个子取值范围分别用位于其中的椭圆形和圆形表示。

按照上述的划分方法，三个待提取参数一共可以获得六个子参数取值范围，其中每个参数包含两个子取值范围。对每一个参数的子取值范围进行组合，则一共可以获得2³一共八种不同的子参数取值范围组合，如图2中虚线椭圆④中所示。

每一种组合代表一个子数据库对应着的参数取值范围。这样，一共可以建立八个子数据库，即N＝8(图1中k表示所有子数据库中的某一个，该子数据库是利用训练完毕的支持向量机对测量光谱4进行映射后确定的一个子数据库。具体的支持向量机训练及映射过程如下文所述)。对每一种组合中的三个子参数取值范围分别进行离散取值(离散取值即将一个连续的取值范围等距离散成多个点，如对1～2这个范围离散取5个点，则这5个点分别为1、1.25、1.5、1.75和2)，利用正向光学特性建模软件对每一种离散取值组合进行仿真，得到仿真光谱。以第一种组合为例，对这三个子参数范围分别等距离离散取k₁，k₂，k₃个参数值(k₁，k₂，k₃为正整数，均需要大于或等于1，数值越大，最后的参数提取结果越精确。本实例中将k₁，k₂，k₃均取为20)，则对生成的k₁×k₂×k₃种不同的参数模型分别利用正向光学特性建模生成对应的光谱，则一共有k₁×k₂×k₃条仿真光谱(即本实例中一共具有20³＝8000条仿真光谱)，此即为生成的第一个子数据库。其余子数据库的建立方式与其一致。子数据库在计算机中的存储模式如图5所示。子数据库包含光谱数据存储矩阵

和对应的结构参数存储矩阵部分

在光谱数据存储矩阵中，矩阵的每一行代表一条仿真光谱。线高存储列向量

线宽存储列向量

和侧壁角存储列向量中的每一行元素分别光谱数据存储矩阵中的一条光谱对应，如箭头

示。亦即一条测量光谱是由其对应的一组结构参数值通过正向光学特性建模仿真程序得到。

(3)生成训练光谱，并利用训练光谱训练多组支持向量机。

上述第(1)步和第(2)步与CN102750333A中的一致。本发明中的创新点之一在于该第(3)步。

待提取参数为三个，将支持向量机的数目也设定为三个，这三个支持向量机作为一个支持向量机组。一个支持向量机组中的每一个支持向量机对应着一个待提取参数。图4为一个支持向量机分类器的训练示意图。训练光谱⑧为一个支持向量机训练网络⑨的输入，输入端一共有M个训练光谱集，每一个集合中对应着一个类所需要的训练光谱。输出端⑩为分类器包含的每一个类的一个代表值。

图2中，每一个参数的取值范围被划分成两个子取值范围，则设定每一个参数对应着的支持向量机包含两个类。图2小虚线椭圆⑤中为第一个支持向量机训练用到的每一类的参数取值范围选择示意图。小虚线椭圆⑤中，在第一类和第二类分别对应的参数取值范围中，线宽和侧壁角的取值范围相同，而线高的取值范围则各为整个线高取值范围的一半。同理可见于小虚线椭圆⑥与⑦中。

以小虚线椭圆⑤中线高d对应的第一个支持向量机为例，由于该支持向量机包含两个类，每一个类具有对应的参数取值范围组合，对每一个类对应的参数取值范围等距离散选取不同的参数值，组成一个参数值确定的模型(即一个模型具有一个唯一的线高、线宽和侧壁角值)，模型的数目可自由设定，但需要大于500(在本实例中，对每一类选取的参数值模型数目均设定为1500)，利用正向光学特性建模软件对每一个模型生成对应的训练光谱，则每一类具有其对应的一个训练光谱集。此处相对于CN102750333A中的“在每一个类对应的参数取值范围组合中对每一种参数的取值范围随机选取不同的参数值”这一取值方式，本发明中的等距离散取值方式避免了随机取值方式可能出现的参数过于集中现象，进而从源头上提高了支持向量机的泛化能力。具体的，如图7所示，在随机取值模式

中(大圆表示某个参数的取值范围，小黑圆点表示一个取值)，可以发现出现了许多取值集中的现象，结果导致取值分布极为不均匀。而在等距离散取值模式

下，取值均匀地分布在参数范围内，这在一定程度上保证了最终支持向量机的泛化能力。进一步的，在本实例中每一个支持向量机对应着两个训练光谱集，两个光谱集共具有3000条训练光谱。这两个训练光谱集对应着图4中的⑧，对于支持向量机的输出，由于图2中考虑的为二分类问题，因此将输出值0或者1作为每一个类的代表值。将生成的训练光谱作为输入，将0和1组成的向量[01]作为输出端参数，该[01]向量对应着图4中的⑩。利用图4所示的支持向量机训练网络⑨对训练光谱⑧和输出向量⑩进行训练。支持向量机的训练方法可以采用最小二乘法或者动态规划法(本实例采用动态规划法)，支持向量机核函数本实例中选为径向基核函数，其表达式为：

$\mathrm{\ψ}\left(x\right)=\exp [-\frac{{\left|\right|x-x_c\left|\right|}^2}{2\×{\mathrm{\σ}}^2}]---\left(1\right)$

其中，x是一个待分类的向量(本实例中x为测量光谱)，x_c是径向基核函数ψ(x)的中心值(本实例中取为0)，σ为缩放比例因子(本实例中取为1.5)。一般来说，x_c的取值范围是0～120，σ的取值范围是0.01～10。训练完毕的支持向量机将用于对测量光谱的分类识别。

训练完毕后即可获得一个可以实际运用的支持向量机。同理可以训练其余的分别对应线宽w和侧壁角SWA的支持向量机。该三个分别对应不同待提取参数的支持向量机组成一个支持向量机组。

相比较于CN102750333A，本文的另一个重大创新点在于：通过设置不同的训练终止条件，训练多个支持向量机组。在每一个支持向量机的训练中，需要给定一个训练终止条件，该终止条件可以为训练步数、分类精度误差限等。终止条件用于终止训练过程。具体的，以终止条件为训练步数为例，当训练过程中训练的次数达到预先设定的训练步数时，支持向量机的训练即终止。在本发明中，利用上述生成的训练光谱，通过设定不同的训练终止条件，重复训练多个支持向量机组。支持向量机组之间具有不同的训练终止条件，而每一个支持向量机组中的三个支持向量机具有同样的训练终止条件。

图2中展示的是将每一个待提取参数的取值范围划分成两个子参数范围，即子区间，实际应用中可以划分为多个子区间，其子区间的组合方式、子数据库的生成方式以及支持向量机的训练方式与图2中的雷同。

(4)测量光谱的获取；

测量光谱包括不同的类型，如反射率光谱，椭偏参数光谱和穆勒矩阵型光谱等。本实例中测量光谱采用椭偏参数型，测量光谱通过椭偏仪设备对待测样件测量获得。

(5)利用支持向量机对测量光谱进行映射；

在步骤(3)中生成了多个支持向量机组，每一个支持向量机组包含三个支持向量机，每一个支持向量机对应着一个待提取的参数：线高、线宽和侧壁角。将步骤(4)中获得的测量光谱，以某一个支持向量机组中对应线高的那个支持向量机进行映射，可以确定该光谱对应结构的线高真实值所在的一个子取值范围；同理利用线宽和侧壁角对应的支持向量机分别对该光谱进行映射，可以得到该光谱对应结构的线宽和侧壁角真实值所在的各自的子取值范围。一旦测量光谱对应的真实结构待提取参数值所属的所有子取值范围被确定，就可以明确找出这些子取值范围对应的子数据库。相较于CN102750333A，本发明的又一个重大创新点在于利用步骤(3)中训练的多个支持向量机组对测量光谱进行映射，从而可以获得多个映射结果。从多个映射结果中找出出现频率最高的一个结果，该结果对应的子数据库即被认为是该测量光谱对应的最优子数据库。通过多个支持向量机组的映射并统计出现概率最大的结果，能最大限度地保证映射结果的准备性与可靠性。

(6)选择一种评价函数，利用步骤(4)中获得的测量光谱在步骤(5)中确定的子数据库中的光谱数据存储矩阵中进行逐个比较，计算得到每一个比对结果获得的评价函数值。找出所有评价函数值中最小的一个，利用该最小值对应的仿真光谱可以确定一组结构参数值，该结构参数值即为与测量光谱真实值最为接近的一组值。

常用的评价函数有如下几种：

第一种为最小距离评价函数，评价函数值ED的表达形式为：

$\mathrm{ED}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(s_{\mathrm{ui}}-s_{\mathrm{ri}})}^2}---\left(2\right)$

其中，n为光谱的维数，s_ui为待测未知结构对应的测量光谱s_u中某一个光谱点，s_ri为子光谱数据库中一条仿真光谱s_r的某一个光谱点。

第二种为光谱角评价函数，评价函数值θ的表达形式为：

$\mathrm{\θ}={\cos }^{-1}\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\×s_{\mathrm{ri}}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ui}}}^2\×}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}}{s_{\mathrm{ri}}}^2}---\left(3\right)$

光谱角匹配对乘性干扰具有不变性，只比较光谱在形状上的相似性，与光谱向量的模无关。

第三种为光谱相关性评价函数，评价函数值SCM的其表达形式为；

$\mathrm{SCM}=\frac{n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\×s_{\mathrm{ri}}-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ri}}}{\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ui}}}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\right)}^2}\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ri}}}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ri}}\right)}^2}}---\left(4\right)$

第四种为光谱相似度评价函数，评价函数值SSS的表达形式为：

$\mathrm{SSS}=\sqrt{{\left(\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(s_{\mathrm{ui}}-s_{\mathrm{ri}})}^2}\right)}^2}+{\left(\cos \frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s}_{\mathrm{ui}}\×s_{\mathrm{ri}}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ui}}}^2\×\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{s_{\mathrm{ri}}}^2}}}\right)}^2---\left(5\right)$

第五种为光谱信息散度评价函数。光谱信息散度匹配函数是将光谱向量看做随机向量，基于概率统计理论分析两个随机向量之间的相似度。定义测量光谱向量s_u的第i个分量的概率：

n为光谱的维数。则s_u相对于光谱库中某一条仿真光谱s_r的信息熵定义为： $D\left(x\right|\left|y\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i\left(s_u\right)\log \left(\frac{p_i\left(s_u\right)}{p_i\left(s_r\right)}\right),$ 评价函数值为光谱信息散度，其定义为：

SID＝D(x||y)+D(y||x)                  (6)

SID描述了两光谱之间的信息差异，其值越接近0，两光谱之间的相似性程度就越大。

在上述评价函数中选取一种评价函数

(本实例中选最小距离评价函数，即式(2))，在第(4)步中确定的子数据库中利用该评价函数按照自上到下的顺序

逐个计算测量光谱与仿真光谱之间的评价函数值，并整理成评价函数值向量

用一定的排序或者搜索算法

找出向量

中的一个最小值并确定该最小值对应的仿真光谱和结构参数值

最后对该结构参数值进行输出

上文在叙述具体的操作步骤时仅以一维梯形周期结构光栅的线宽、线高和侧壁角三个参数的提取为例，并且在参数范围划分中只涉及了对半划分。对于其他类型的周期结构光栅(如二维周期光栅，套刻结构等)或者具有更多的待提取参数，可以利用和上文中一样的参数划分方式、子数据库生成方式和支持向量机训练方式，来达到最终的搜索效果。

以上所述为本发明的较佳实施例而已，但本发明不应该局限于该实施例和附图所公开的内容。所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (3)

1.一种改进的基于支持向量机的半导体纳米结构特征尺寸的方法，该方法包括下述过程：

第1步确定每一个待提取参数的取值范围，生成子光谱数据库；利用训练光谱和支持向量机训练网络进行支持向量机训练；

第2步对每一个待提取参数利用第1步中的训练光谱重复训练多个支持向量机，每一个待提取参数对应的每一个支持向量机的训练终止条件均不相同；

第3步利用每一个待提取参数对应的多个支持向量机，对测量光谱进行映射；

第4步找出每一个待提取参数对应的所有支持向量机映射结果中出现次数最高的一个，该映射结果对应的子区间即被认为是此待提取参数最有可能出现的取值区间；

第5步按照第4步的方法，确定所有待提取参数的子取值区间，建立一个子光谱数据库；

第6步在所述的子光谱数据库中找出与测量光谱最为相似的仿真光谱，该仿真光谱对应的结构参数值即认为是待测结构的参数值。

2.根据权利要求1所述的改进的基于支持向量机的半导体纳米结构特征尺寸的方法，其特征在于，第1步中，训练光谱的获取方法：

将每一个待提取参数对应一个支持向量机，每一个待提取参数的取值范围被划分成多少个子取值范围，则对应的支持向量机输出端包含多少个类，每一个类由一个唯一的数字标示，用来代表一个子区间范围；每一个类对应着一个训练光谱集，一个训练光谱集与一个子区间对应；对每一个子区间中等距离散取多个值，对每一个离散取值点利用正向光学特性建模程序仿真出一条仿真光谱，这些仿真光谱组成的集合即为一个训练光谱集；一个支持向量机所有输出类对应的训练光谱集所包含的总的训练光谱，即为该支持向量机所需要的训练光谱。

3.根据权利要求1或2所述的改进的基于支持向量机的半导体纳米结构特征尺寸的方法，其特征在于，第1步中，子光谱数据库的获取方法：

(1.1)将每一个待提取参数的取值范围划分成多个子取值范围；

(1.2)在每一个待提取参数对应的多个子取值范围中选取一个子取值范围，生成一个子参数取值组合；

(1.3)将每一个子参数取值组合中的子参数取值范围均匀等距离散成多个值，在每一个待提取参数对应的子取值范围中选取一个离散值，所有待提取参数取的离散值组成一个离散值组合，对离散值组合利用正向光学特性建模程序生成一条对应的仿真光谱，所有离散值组合对应的仿真光谱组成一个子光谱数据库。

Images