CN103955580A - 基于信度规则库推理的集成电路参数成品率估计方法 - Google Patents
基于信度规则库推理的集成电路参数成品率估计方法 Download PDFInfo
- Publication number
- CN103955580A CN103955580A CN201410184786.7A CN201410184786A CN103955580A CN 103955580 A CN103955580 A CN 103955580A CN 201410184786 A CN201410184786 A CN 201410184786A CN 103955580 A CN103955580 A CN 103955580A
- Authority
- CN
- China
- Prior art keywords
- value
- parameter
- formula
- brb
- beta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明涉及一种基于信度规则库推理的集成电路参数成品率估计方法,属于集成电路设计与制造领域。本发明利用信度规则库(BRB)建模集成电路参数变量输入与成品率输出之间的映射关系。利用信度规则前项属性的参考值、后项属性的信度结构,建模输入和输出量之间的变化关系。构造优化函数,利用有限的训练样本优化信度规则库中的参数。在给定电路参数变量作为信度规则库输入的情况下,通过规则推理,能够精确和快速地估计出集成电路的成品率。与普遍采用的传统蒙特卡洛采样估计方法相比,所提出的估计方法大大节省了计算成品率的时间花销,提高了电路设计的效率。
Description
技术领域
本发明涉及一种基于信度规则库推理的集成电路参数成品率估计方法,属于集成电路设计与制造领域。
背景技术
在集成电路批量制造过程中,优化集成电路产品的成品率已成为降低生产成本,提高生产效益的关键因素之一。集成电路参数变量的统计分布决定了产品的成品率,在给定电路参数变量统计分布的情况下,如何准确和快速地估计出电路的参数成品率,是进一步实施电路优化设计的基础。目前,用于成品率估计的传统方法主要是蒙特卡洛采样(Monte Carlo)方法。该方法原理简单,但需要进行大量的电路仿真才能估计出成品率,从而导致电路设计的效率低下。
发明内容
本发明的目的是提出一种基于信度规则库推理的集成电路参数成品率估计方法,建立信度规则库描述集成电路参数变量与输出成品率之间的关系。通过有限的训练样本对信度规则库中的参数进行优化,使得在给定电路参数变量的情况下,可以通过信度规则推理精确和快速地估计出电路的成品率。与蒙特卡洛采样方法相比,所提方法大大节省了估计成品率的时间花销,提高了电路设计的效率。
本发明提出的一种基于信度规则库推理的集成电路参数成品率估计方法,包括以下各步骤:
(1)给定集成电路的性能函数
y=f(x1,x2,…,xT) (1)
其中,y为集成电路的性能参数;xi为集成电路性能函数f的输入,代表集成电路中电路元件的参数,xi是在区间[Li,Ri]上符合正态分布的随机变量,-∞<Li<Ri<+∞,为xi的均值, 为xi的方差,且满足τi为集成电路元件参数偏差幅度的倍数,τi∈[0.01,0.1],其中i=1,2…,T,T≥1,表示集成电路元件参数的个数。
(2)给出集成电路成品率Y的计算公式
其中,fy(y)为集成电路性能参数的概率密度函数;y_o∈[-∞,+∞],表示集成电路性能参数的最优值,Δy>0,表示集成电路性能值的允许偏差值;指示函数η(y)满足:
其中,Ra为集成电路性能参数y的容差区间,Ra=[y|y_o-Δy≤y≤y_o+Δy]。
(3)建立信度规则库,缩写为BRB,用其描述集成电路元件参数的均值与该集成电路成品率Y之间的对应变化关系,该BRB由如下形式的信度规则组成:Rk:若且且…且则[(D1,β1,k),(D2,β2,k),…,(DN,βN,k)] (4)并有,Rk的规则权重为θk,满足0≤θk≤1,集成电路每个元件参数均值作为规则Rk的前项属性,它们相应的属性权重分别为δ1,δ2,…,δT,并有0≤δi≤1。
式(4)中,为规则Rk中前项属性的参考值,且有Qi为的取值空间,其中的元素满足mi表示取值的个数mi≥1;分别抽取Q1,Q2,…,QT中的一个元素作为相应参考值的取值,共计可以产生L=m1×m2×…×mT条规则,L≥1,k=1,2,3…,L为规则的编号。
式(4)中,Rk后项属性分别为D1,D2,…,DN,并有0<D1<D2<…<DN≤1,N≥2;β1,k,β2,k,…,βN,k分别为D1,D2,…,DN的信度值,并有0≤βa,k≤1,a∈{1,2…,N};β1,k,β2,k,…,βN,k的初值求取方法如下:
令则x1,x2,…,xT的正态分布被确定,此时可通过蒙特卡洛采样方法,依据步骤(1)中的式(1)获得性能参数y的概率密度函数,然后利用步骤(2)中的式(2)计算得到关于Rk的成品率取值Yk,总可以找到两个相邻的Db和Db+1使得Db≤Yk≤Db+1成立,并可建立以下两个关于βb,k和βb+1,k的方程式
Yk=Db×βb,k+Db+1×βb+1,k,b∈{1,2,…,N-1} (5)
βb,k+βb+1,k=1 (6)
联立这两个方程,可以求解出βb,k和βb+1,k的初值为:
βb+1,k=1-βb,k (8)
而其他信度值的初值设定为
βa,k=0a∈{1,2…N}且a≠b,b+1 (9)
式(4)中,设定规则权重的初值为θk=1;属性权重初值δi=1。
(4)获得用于优化规则Rk中后项属性信度值、规则权重以及属性权重的训练样本,具体步骤如下:
步骤(4-1):对于规则Rk中前项属性的参考值取值空间因其满足可以利用该不等式中两两相邻数值组成共计(mi+1)个开区间从每个开区间中随机挑选出2个样本,生成2(mi+1)个样本,并将由它们组成的样本集记为
步骤(4-2):对于步骤(4-1)生成的样本集分别依次抽取中的一个元素作为的样本取值,共计就可以生成num个样本向量,记这些向量构成的样本向量集合为Sμ,其中的样本向量记为并有j=1,2,…,num,num=2(m1+1)×2(m2+1)×…×2(mT+1),
步骤(4-3):对于每个样本向量令 则x1,x2,…,xT的正态分布被确定,此时可通过蒙特卡洛采样方法,依据步骤(1)中的式(1)获得性能参数y的概率密度函数,然后利用步骤(2)中的式(2)计算得到在输入时的成品率取值则共计可以获得num个训练样本,记为集合S,其中的训练样本记为
(5)将每个训练样本中的z1,j,z2,j,…,zT,j分别作为规则库的输入量,带入到BRB的每一条规则Rk中,经推理得到输出结果为
这里,是输入元件参数均值经信度融合后得到的信度值,且
其中,
式(11)与式(12)中,wk为输入元件参数均值的第k条规则的激活权重,这里,
其中,wk∈[0,1];为相对属性权重,表达式为:
式(13)中,表示为第k条规则中第i个输入元件参数均值相对于参考值的匹配度(ji=1,2,…,mi-1),匹配度的求解方法如下:
(a)当和时,对于Ai,1和的匹配度取值均为1,对于其他参考值的匹配度均为0;
(b)当时,对于和的匹配度取值分别由式(15)和式(16)给出
此时,集成电路元件参数均值对应的其他参考值的匹配度均为0。
(6)根据步骤(5)中式(10),计算将每个训练样本中的z1,j,z2,j,…,zT,j分别作为规则库的输入量时,获得的集成电路成品率的估计值为:
(7)利用步骤(5)和(6)得到num个训练样本对应的成品率估计值,记为设定需要优化的指标集为
V=(βa,k,θk,δia=1,…,N,k=1,…,L,i=1,…T) (18)
建立对其的优化目标函数
可以利用MATLAB优化工具箱中的Fmincon函数,在式(20)-(23)给出的约束条件下,找到ξ(V)取最小值时,V中指标参数的最优值
0≤βa,k≤1 (20)
0≤θk≤1 (22)
0≤δi≤1 (23)
具有最优指标参数取值的规则库为优化后的信度规则库。
(8)对于任意一组的取值,可以将其带入优化后的BRB中,利用步骤(5)和(6),计算出它所对应的成品率估计值。
上述方法的关键技术在于:利用信度规则库(BRB)建模集成电路参数变量输入与成品率输出之间的映射关系。利用信度规则前项属性的参考值、后项属性的信度结构,建模输入和输出量之间的变化关系。构造优化函数,利用有限的训练样本优化信度规则库中的参数。在给定电路参数变量作为信度规则库输入的情况下,通过规则推理,能够精确和快速地估计出集成电路的成品率。
本发明利用信度规则库(BRB)建模输入电路参数变量与输出成品率之间的映射关系。通过有限的训练样本及相应的优化函数对信度规则库中的参数进行优化,使得通过信度规则推理,能够精确估计出给定电路参数变量时的电路成品率。与蒙特卡洛采样方法相比,大大节省了估计成品率的时间花销,提高了电路设计的效率。
附图说明
图1是本发明方法的流程框图。
图2是本发明方法实施例中LC共振电路信度规则库BRB的成品率估计值。
图3是本发明方法实例中LC共振电路原理图。
具体实施方式
本发明提出的一种基于信度规则库推理的集成电路参数成品率估计方法,其流程图如图1所示,包括以下各步骤:
1.给定集成电路的性能函数
y=f(x1,x2,…,xT) (1)
其中,y为集成电路的性能参数;xi为集成电路性能函数f的输入,代表集成电路中电路元件的参数,xi是在区间[Li,Ri]上符合正态分布的随机变量,-∞<Li<Ri<+∞,为xi的均值, 为xi的方差,且满足τi为集成电路元件参数偏差幅度的倍数,τi∈[0.01,0.1],其中i=1,2…,T,T≥1,表示集成电路元件参数的个数;
2.给出集成电路成品率Y的计算公式
其中,fy(y)为集成电路性能参数的概率密度函数;y_o∈[-∞,+∞],表示集成电路性能参数的最优值,Δy>0,表示集成电路性能值的允许偏差值;指示函数η(y)满足:
其中,Ra为集成电路性能参数y的容差区间,Ra=[y|y_o-Δy≤y≤y_o+Δy];
为便于理解,这里举例说明,假设电路性能函数y=x1+x2,τ1=τ2=0.05, 这里不妨取 则x1是在区间[58,68]上符合正态分布N(63,0.62)的随机变量,x2是在区间[70,78]上符合正态分布N(72,0.81)的随机变量,通过蒙特卡洛采样方法,由式(1)获得性能参数y的概率密度函数fy(y),这里不妨设y_o=135,Δy=1,故Ra=[y|134≤y≤136],由(2)得到集成电路成品率Y为满足在y∈Ra范围内,性能参数y的概率密度的和,Y=0.9790。
3.建立信度规则库,缩写为BRB,用其描述集成电路元件参数的均值与该集成电路成品率Y之间的对应变化关系,该BRB由如下形式的信度规则组成:Rk:若且且…且则[(D1,β1,k),(D2,β2,k),…,(DN,βN,k)] (4)并有,Rk的规则权重为θk,满足0≤θk≤1,集成电路每个元件参数均值作为规则Rk的前项属性,它们相应的属性权重分别为δ1,δ2,…,δT,并有0≤δi≤1;
式(4)中,为规则Rk中前项属性的参考值,且有Qi为的取值空间,其中的元素满足mi表示取值的个数mi≥1;分别抽取Q1,Q2,…,QT中的一个元素作为相应参考值的取值,共计可以产生L=m1×m2×…×mT条规则,L≥1,k=1,2,3…,L为规则的编号;
式(4)中,Rk后项属性分别为D1,D2,…,DN,并有0<D1<D2<…<DN≤1,N≥2;β1,k,β2,k,…,βN,k分别为D1,D2,…,DN的信度值,并有0≤βa,k≤1,a∈{1,2…,N};β1,k,β2,k,…,βN,k的初值求取方法如下:
令则x1,x2,…,xT的正态分布被确定,此时可通过蒙特卡洛采样方法,依据步骤(1)中的式(1)获得性能参数y的概率密度函数,然后利用步骤(2)中的式(2)计算得到关于Rk的成品率取值Yk,总可以找到两个相邻的Db和Db+1使得Db≤Yk≤Db+1成立,并可建立以下两个关于βb,k和βb+1,k的方程式
Yk=Db×βb,k+Db+1×βb+1,k,b∈{1,2,…,N-1} (5)
βb,k+βb+1,k=1 (6)
联立这两个方程,可以求解出βb,k和βb+1,k的初值为:
βb+1,k=1-βb,k (8)
而其他信度值的初值设定为
βa,k=0a∈{1,2…N}且a≠b,b+1 (9)
式(4)中,设定规则权重的初值为θk=1;属性权重初值δi=1;
为便于理解,还以上文中给出的性能函数y=x1+x2为例,举例说明,假设D1=0.5,D2=0.7,D3=1,共计将会产生L=6条规则:
R1:若且则[(D1,β1,1),(D2,β2,1),(D3,β3,1)];
R2:若且则[(D1,β1,2),(D2,β2,2),(D3,β3,2)];
R3:若且则[(D1,β1,3),(D2,β2,3),(D3,β3,3)];
R4:若且则[(D1,β1,4),(D2,β2,4),(D3,β3,4)];
R5:若且则[(D1,β1,5),(D2,β2,5),(D3,β3,5)];
R6:若且则[(D1,β1,6),(D2,β2,6),(D3,β3,6)];
其中,不妨以第二条规则为例,设Y2=0.854,则由式(7)-(8)得β2,2=0.4866,β3,2=0.5133;即R2:若则[(0.5,0),(0.7,0.4866),(1,0.5133)],利用同样的方式便可得到BRB中其他的信度规则。
4.获得用于优化规则Rk中后项属性信度值、规则权重以及属性权重的训练样本,具体步骤如下:
步骤(4-1):对于规则Rk中前项属性的参考值取值空间因其满足可以利用该不等式中两两相邻数值组成共计(mi+1)个开区间从每个开区间中随机挑选出2个样本,生成2(mi+1)个样本,并将由它们组成的样本集记为
步骤(4-2):对于步骤(4-1)生成的样本集分别依次抽取中的一个元素作为的样本取值,共计就可以生成num个样本向量,记这些向量构成的样本向量集合为Sμ,其中的样本向量记为并有j=1,2,…,num,num=2(m1+1)×2(m2+1)×…×2(mT+1),
步骤(4-3):对于每个样本向量令 则x1,x2,…,xT的正态分布被确定,此时可通过蒙特卡洛采样方法,依据步骤(1)中的式(1)获得性能参数y的概率密度函数,然后利用步骤(2)中的式(2)计算得到在输入时的成品率取值则共计可以获得num个训练样本,记为集合S,其中的训练样本记为
为便于理解,还以上文中给出的性能函数y=x1+x2为例,举例说明样本的获取方法为,可确定A1,1=62、A1,2=64、在每个开区间(61,62)、(62,64)、(64,65)中随机挑选出2个样本,得到可确定A2,1=70、A2,2=72、A2,2=74、在每个开区间(68,70)、(70,72)、(72,74)、(74,76)中随机挑选出2个样本得到 依次抽取中的一个元素作为的样本取值,共计就可以生成num=68个样本向量j=1,2,…,68,将num个训练样本经步骤(4-3)得到训练样本j=1,2,…,num;
5.将每个训练样本中的z1,j,z2,j,…,zT,j分别作为规则库的输入量,带入到BRB的每一条规则Rk中,经推理得到输出结果为
这里,是输入元件参数均值经信度融合后得到的信度值,且
其中,
式(11)与式(12)中,wk为输入元件参数均值的第k条规则的激活权重,这里,
其中,wk∈[0,1];为相对属性权重,表达式为:
式(13)中,表示为第k条规则中第i个输入元件参数均值相对于参考值的匹配度(ji=1,2,…,mi-1),匹配度的求解方法如下:
(a)当和时,对于Ai,1和的匹配度取值均为1,对于其他参考值的匹配度均为0;
(b)当时,对于和的匹配度取值分别由式(15)和式(16)给出
此时,集成电路元件参数均值对应的其他参考值的匹配度均为0;
6.根据步骤(5)中式(10),计算将每个训练样本中的z1,j,z2,j,…,zT,j分别作为规则库的输入量时,获得的集成电路成品率的估计值为:
为便于理解,这里举例说明,优化后样本的输出结果为Out={(0.5,0.35),(0.7,0.54),(1,0.11)},所以此时的集成电路成品率的估计值
7.利用步骤(5)和(6)得到num个训练样本对应的成品率估计值,记为设定需要优化的指标集为
V=(βa,k,θk,δia=1,…,N,k=1,…,L,i=1,…T) (18)
建立对其的优化目标函数
可以利用MATLAB优化工具箱中的Fmincon函数,在式(20)-(23)给出的约束条件下,找到ξ(V)取最小值时,V中指标参数的最优值
0≤βa,k≤1 (20)
0≤θk≤1 (22)
0≤δi≤1 (23)
具有最优指标参数取值的规则库为优化后的信度规则库;
8.对于任意一组的取值,可以将其带入优化后的BRB中,利用步骤(5)和(6),计算出它所对应的成品率估计值。
以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程图如图1所示,核心部分是:在给定集成电路的性能函数之后,如何建立相应的信度规则库,描述电路参数的均值与参数成品率之间的映射关系,构造优化函数,利用有限的训练样本优化信度规则库中的参数。使得优化后的信度规则库能够精确描述电路参数的均值与参数成品率之间的映射关系,并快速推理出对应输入均值下的输出成品率估计值。
以下结合模数混合集成电路中经常用到的LC共振电路为例,如图3所示。详细介绍本发明方法的各个步骤,并通过实验结果验证本发明提出的基于信度规则库推理的集成电路参数成品率估计方法与蒙特卡洛采样方法相比,在计算量方面的优势。
1.集成电路的性能函数
根据图3LC共振电路所示,图中L2C2C3与电感Lv发生并联共振,它的共振频率为2300Hz。这里取Lv=31μH,该电路的共振性能函数定义为:
其中
这里,给出输入变量的均值取值范围分别为 电感的偏差幅度为均值的τL=0.01倍,电容的偏差幅度为均值的τC=0.02倍。
2.集成电路成品率Y的计算公式
其中,fy(y)为集成电路性能参数(共振频率)的概率密度函数;y_o=2300Hz,Δy=11Hz,Ra=[y|2289≤y≤2311],指示函数η(y)满足:
3.建立初始信度规则库
设置信度规则库BRB的不同变量的输入参考值输入参考值分别代表L2,C2和C3变量的均值。这里三个输入参考值,分别用模糊语义值描述为:小(small,S)、标准值(standard values,SV)、偏大(large,L),则有
输出Out用5个参考值描述,它们的模糊语义值分别为:很小(very small,VS)、正小(positive small,PS)、正中(positive medium,PM)、大(large,L)、很大(very large,VL),即
D=(D1,D2,D3,D4,D5)={VS,PS,PM,L,VL}
根据实际检测数据,可以将前式中的语义值进行量化,得到相应的参考值分别如下表1至表4所示:
表1的语义值和参考值
表2的语义值和参考值
表3的语义值和参考值
表4Out的语义值和参考值
语义值 | VS(D1) | PS(D2) | PM(D3) | L(D4) | VL(D5) |
参考值 | 0.3 | 0.5 | 0.7 | 0.9 | 1 |
令则x1,x2,x3的正态分布被确定,此时通过蒙特卡洛采样方法,蒙特卡洛采样方法仿真次数为10000次,依据步骤(1)中的式(1)获得性能参数y的概率密度函数,然后利用步骤(2)中的式(2)计算得到关于Rk的成品率取值Yk,再利用步骤(3)中的(5)-(9)式便可获得BRB信度规则形式如表5所示:
表5专家给定的初始BRB评价的信度
4.获得用于优化规则Rk中后项属性信度值、规则权重以及属性权重的训练样本利用步骤(4)中的方式获得训练样本,共计512组样本数,如表6-1到6-13所示。
表6-1512组训练样本1-40组
表6-2512组训练样本41-80组
表6-3512组训练样本81-120组
表6-4512组训练样本121-160组
表6-5512组训练样本161-200组
表6-6512组训练样本201-240组
表6-7512组训练样本241-280组
表6-8512组训练样本281-320组
表6-9512组训练样本321-360组
表6-10512组训练样本361-400组
表6-11512组训练样本401-440组
表6-12512组训练样本441-480组
表6-18512组训练样本481-512组
5.将每个训练样本作为BRB的输入,经规则推理得到相应的输出成品率估计值
5.1信度规则激活权重wk的计算:
首先构建初始专家BRB,设置每一条的规则权重θk=1,变量的前期属性δi=1,则此时的这里取T=3。下面则以三个输入元件参数均值为 为例。
将三个输入变量代入公式获得匹配度如表7所示:
表7匹配度的取值
再由表7所示结果便得到输入元件参数均值的第k条规则的激活权重wk,此时L=27,如表8所示:
表8信度规则激活权重
序号 | k=1 | k=2 | k=3 | k=4 | k=5 | k=6 | k=7 | k=8 | k=9 |
wk | 0 | 0 | 0 | 0 | 0.1167 | 0.0778 | 0.0333 | 0.0222 | 0 |
序号 | k=10 | k=11 | k=12 | k=13 | k=14 | k=15 | k=16 | k=17 | k=18 |
wk | 0 | 0 | 0 | 0 | 0.35 | 0.2333 | 0 | 0.1 | 0.0667 |
序号 | k=19 | k=20 | k=21 | k=22 | k=23 | k=24 | k=25 | k=26 | k=27 |
wk | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
5.2获得输出结果的信度
通过以上的步骤便可得到已知输入元件参数均值下对应的wk、βj,k。利用步骤(5)中的(11)、(12)式便可得到对应的这里以三个输入元件参数均值为 为例,可得到输出结果的信度如表9所示:
表9输出结果对应的信度
6.计算集成电路成品率的估计值
由以上步骤便可求出在已知输入元件参数均值下的电路成品率的估计值为
7.建立优化目标函数
这里num=512,根据以上步骤获得初始的估计结果与已知的进行目标函数的训练:
找到使ξ(V)取最小值时的最优参数集合V,亦即min{ξ(V)}约束条件包括:0≤θk≤1,0≤δk≤1,0≤βj,k≤1和直接利用MATLAB优化工具箱中的Fmincon来实现以上过程,最终构成优化后的BRB如表10所示:
表10训练后的BRB规则权重和信度规则
8.确定优化后的BRB数据,进行结果的验证测试
根据以上步骤获得系统的BRB数据,再随机抽取变量参数进行验证。这里,可以获得初始BRB成品率的估计曲线与优化后的BRB成品率估计曲线如图2所示,图2(a)表示初始BRB成品率的估计曲线,图2(b)表示优化后BRB的成品率估计曲线,其中通过蒙特卡洛采样30000次得到的成品率作为真值用“--*--”表示,本发明方法给出的成品率估计值用“--o--”表示,图2(c)表示初始和优化后BRB成品率的估计与真值之间的绝对误差,“--o--”代表初始BRB成品率估计与真值之间的绝对误差曲线,“--*--”代表优化后的BRB成品率估计与真值之间的绝对误差曲线。通过蒙特卡洛采样10000次得到的成品率的值作为蒙特卡洛仿真方法获得的成品率估计值。随机选取10组输入元件参数均值并利用上述方法得到该输入参数均值情况下成品率真值、蒙特卡洛仿真方法的估计值与优化后的BRB成品率估计值,其结果如表11所示:
表11蒙特卡洛仿真方法与优化后BRB估计值的比较
表12中比较了表11中对应的蒙特卡洛仿真方法(采样10000次)和优化后BRB估计误差的均值比较。
表12蒙特卡洛仿真方法和优化后BRB成品率估计值与真值之间绝对误差的平均值比较
蒙特卡洛采样方法 | BRB方法 | |
平均绝对误差err | 0.0159 | 0.0103 |
本发明方法用MATLAB(R2010a)进行仿真,可以看出利用BRB方法估计成品率在时间上要远远优于利用蒙特卡洛仿真的方法。平均产生每组估计数据仿真时间的比较如表13所示:
表13两种方法在仿真时间上的比较
蒙特卡洛实验方法 | BRB方法 | |
仿真时间(毫秒) | 677.3 | 0.473 |
Claims (1)
1.基于信度规则库推理的集成电路参数成品率估计方法,其特征在于该方法包括以下各步骤:
步骤(1)给定集成电路的性能函数
y=f(x1,x2,…,xT) (1)
其中,y为集成电路的性能参数;xi为集成电路性能函数f的输入,代表集成电路中电路元件的参数,xi是在区间[Li,Ri]上符合正态分布的随机变量,-∞<Li<Ri<+∞,为xi的均值, 为xi的方差,且满足τi为集成电路元件参数偏差幅度的倍数,τi∈[0.01,0.1],其中i=1,2…,T,T≥1,表示集成电路元件参数的个数;
步骤(2)给出集成电路成品率Y的计算公式
其中,fy(y)为集成电路性能参数的概率密度函数;y_o∈[-∞,+∞],表示集成电路性能参数的最优值,Δy>0,表示集成电路性能值的允许偏差值;指示函数η(y)满足:
其中,Ra为集成电路性能参数y的容差区间,Ra=[y|y_o-Δy≤y≤y_o+Δy];
步骤(3)建立信度规则库,缩写为BRB,用其描述集成电路元件参数的均值与该集成电路成品率Y之间的对应变化关系,该BRB由如下形式的信度规则组成:Rk:若且且…且则[(D1,β1,k),(D2,β2,k),…,(DN,βN,k)] (4)并有,Rk的规则权重为θk,满足0≤θk≤1,集成电路每个元件参数均值作为规则Rk的前项属性,它们相应的属性权重分别为δ1,δ2,…,δT,并有0≤δi≤1;
式(4)中,为规则Rk中前项属性的参考值,且有Qi为的取值空间,其中的元素满足mi表示取值的个数mi≥1;分别抽取Q1,Q2,…,QT中的一个元素作为相应参考值的取值,共计可以产生L=m1×m2×…×mT条规则,L≥1,k=1,2,3…,L为规则的编号;
式(4)中,Rk后项属性分别为D1,D2,…,DN,并有0<D1<D2<…<DN≤1,N≥2;β1,k,β2,k,…,βN,k分别为D1,D2,…,DN的信度值,并有0≤βa,k≤1,a∈{1,2…,N};β1,k,β2,k,…,βN,k的初值求取方法如下:
令则x1,x2,…,xT的正态分布被确定,此时通过蒙特卡洛采样方法,依据步骤(1)中的式(1)获得性能参数y的概率密度函数,然后利用步骤(2)中的式(2)计算得到关于Rk的成品率取值Yk,找到两个相邻的Db和Db+1使得Db≤Yk≤Db+1成立,并可建立以下两个关于βb,k和βb+1,k的方程式
Yk=Db×βb,k+Db+1×βb+1,k,b∈{1,2,…,N-1} (5)
βb,k+βb+1,k=1 (6)
联立这两个方程,求解出βb,k和βb+1,k的初值为:
βb+1,k=1-βb,k (8)
而其他信度值的初值设定为
βa,k=0a∈{1,2…N}且a≠b,b+1 (9)
式(4)中,设定规则权重的初值为θk=1;属性权重初值δi=1;
步骤(4)获得用于优化规则Rk中后项属性信度值、规则权重以及属性权重的训练样本,具体步骤如下:
步骤(4-1):对于规则Rk中前项属性的参考值取值空间因其满足利用该不等式中两两相邻数值组成共计(mi+1)个开区间从每个开区间中随机挑选出2个样本,生成2(mi+1)个样本,并将由它们组成的样本集记为
步骤(4-2):对于步骤(4-1)生成的样本集分别依次抽取中的一个元素作为的样本取值,共计就可以生成num个样本向量,记这些向量构成的样本向量集合为Sμ,其中的样本向量记为并有j=1,2,…,num,num=2(m1+1)×2(m2+1)×…×2(mT+1),
步骤(4-3):对于每个样本向量令 则x1,x2,…,xT的正态分布被确定,此时通过蒙特卡洛采样方法,依据步骤(1)中的式(1)获得性能参数y的概率密度函数,然后利用步骤(2)中的式(2)计算得到在输入时的成品率取值则共计可以获得num个训练样本,记为集合S,其中的训练样本记为
步骤(5)将每个训练样本中的z1,j,z2,j,…,zT,j分别作为规则库的输入量,带入到BRB的每一条规则Rk中,经推理得到输出结果为
这里,是输入元件参数均值经信度融合后得到的信度值,且
其中,
式(11)与式(12)中,wk为输入元件参数均值的第k条规则的激活权重,这里,
其中,wk∈[0,1];为相对属性权重,表达式为:
式(13)中,表示为第k条规则中第i个输入元件参数均值相对于参考值的匹配度(ji=1,2,…,mi-1),匹配度的求解方法如下:
(a)当和时,对于Ai,1和的匹配度取值均为1,对于其他参考值的匹配度均为0;
(b)当时,对于和的匹配度取值分别由式(15)和式(16)给出
此时,集成电路元件参数均值对应的其他参考值的匹配度均为0;
步骤(6)根据步骤(5)中式(10),计算将每个训练样本中的z1,j,z2,j,…,zT,j分别作为规则库的输入量时,获得的集成电路成品率的估计值为:
步骤(7)利用步骤(5)和(6)得到num个训练样本对应的成品率估计值,记为设定需要优化的指标集为
V=(βa,k,θk,δia=1,…,N,k=1,…,L,i=1,…T) (18)
建立对其的优化目标函数
利用MATLAB优化工具箱中的Fmincon函数,在式(20)-(23)给出的约束条件下,找到ξ(V)取最小值时,V中指标参数的最优值
0≤βa,k≤1 (20)
0≤θk≤1 (22)
0≤δi≤1 (23)
具有最优指标参数取值的规则库为优化后的信度规则库;
步骤(8)对于任意一组的取值,将其带入优化后的BRB中,利用步骤(5)和(6),计算出它所对应的成品率估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410184786.7A CN103955580B (zh) | 2014-05-04 | 2014-05-04 | 基于信度规则库推理的集成电路参数成品率估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410184786.7A CN103955580B (zh) | 2014-05-04 | 2014-05-04 | 基于信度规则库推理的集成电路参数成品率估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955580A true CN103955580A (zh) | 2014-07-30 |
CN103955580B CN103955580B (zh) | 2017-08-15 |
Family
ID=51332855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410184786.7A Active CN103955580B (zh) | 2014-05-04 | 2014-05-04 | 基于信度规则库推理的集成电路参数成品率估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955580B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139086A (zh) * | 2015-08-13 | 2015-12-09 | 杭州电子科技大学 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
CN106059412A (zh) * | 2016-01-28 | 2016-10-26 | 杭州电子科技大学 | 基于信度规则库推理的他励直流电动机转速控制方法 |
CN110084518A (zh) * | 2019-04-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于混合输入置信规则推理模型的边坡稳定性评判方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN111723493A (zh) * | 2020-07-03 | 2020-09-29 | 杭州电子科技大学 | 一种基于数据关联性信度规则的激光钎焊合格率估计方法 |
CN112418682A (zh) * | 2020-11-26 | 2021-02-26 | 中国人民解放军火箭军工程大学 | 一种融合多源信息的安全性评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425896A (zh) * | 2013-08-31 | 2013-12-04 | 西安电子科技大学 | 一种产品参数成品率估计方法 |
-
2014
- 2014-05-04 CN CN201410184786.7A patent/CN103955580B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425896A (zh) * | 2013-08-31 | 2013-12-04 | 西安电子科技大学 | 一种产品参数成品率估计方法 |
Non-Patent Citations (3)
Title |
---|
XU XIAOBIN 等: "Approximating probability distribution of circuit performance function for parametric yield estimation using transferable belief model", 《SCIENCE CHINA INFORMATION SCIENCES》 * |
YU-WANG CHEN 等: "On the inference and approximation properties of belief rule based systems", 《INFORMATION SCIENCES》 * |
荆明娥 等: "集成电路参数中心值和容差的藕合设计方法", 《电子与信息学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139086A (zh) * | 2015-08-13 | 2015-12-09 | 杭州电子科技大学 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
CN105139086B (zh) * | 2015-08-13 | 2018-09-21 | 杭州电子科技大学 | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 |
CN106059412A (zh) * | 2016-01-28 | 2016-10-26 | 杭州电子科技大学 | 基于信度规则库推理的他励直流电动机转速控制方法 |
CN106059412B (zh) * | 2016-01-28 | 2018-11-13 | 杭州电子科技大学 | 基于信度规则库推理的他励直流电动机转速控制方法 |
CN110084518A (zh) * | 2019-04-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于混合输入置信规则推理模型的边坡稳定性评判方法 |
CN110850206A (zh) * | 2019-11-13 | 2020-02-28 | 武汉理工大学 | 基于置信规则推理的逆变器电容老化故障诊断方法 |
CN111723493A (zh) * | 2020-07-03 | 2020-09-29 | 杭州电子科技大学 | 一种基于数据关联性信度规则的激光钎焊合格率估计方法 |
CN111723493B (zh) * | 2020-07-03 | 2023-12-29 | 杭州电子科技大学 | 一种基于数据关联性信度规则的激光钎焊合格率估计方法 |
CN112418682A (zh) * | 2020-11-26 | 2021-02-26 | 中国人民解放军火箭军工程大学 | 一种融合多源信息的安全性评估方法 |
CN112418682B (zh) * | 2020-11-26 | 2023-09-29 | 中国人民解放军火箭军工程大学 | 一种融合多源信息的安全性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103955580B (zh) | 2017-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955580A (zh) | 基于信度规则库推理的集成电路参数成品率估计方法 | |
CN101576443B (zh) | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 | |
Hyndman et al. | Automatic time series forecasting: the forecast package for R | |
CN108241873B (zh) | 一种面向泵站主设备的智能故障诊断方法 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
CN101576604A (zh) | 基于异类信息融合的模拟电路故障诊断方法 | |
CN105893637A (zh) | 大规模微博异构信息网络中的链接预测方法 | |
CN105488297A (zh) | 一种基于小样本建立复杂产品优化设计代理模型的方法 | |
CN105976070A (zh) | 基于重点元素的矩阵分解及微调方法 | |
CN103106256A (zh) | 一种基于Markov链的正交化插值的GM(1,1)模型预测方法 | |
Aue et al. | Estimating functional time series by moving average model fitting | |
CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
CN105045863A (zh) | 一种用于实体匹配的方法及系统 | |
CN103177289A (zh) | 一种噪声不确定复杂非线性动态系统的建模方法 | |
Beaucaire et al. | Multi-point infill sampling strategies exploiting multiple surrogate models | |
CN109840335A (zh) | 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法 | |
CN103020346B (zh) | 一种电路物理设计相似度的测试方法 | |
CN102063525A (zh) | 一种实用的多学科设计优化模型自动生成方法 | |
Shen et al. | Estimation of non-crossing quantile regression process with deep requ neural networks | |
CN103984331B (zh) | 一种复杂产品装配质量的误差敏感性分析与控制方法 | |
CN106203778A (zh) | 一种高速公路技术指标云模型间相似度评判方法 | |
CN110084428B (zh) | 基于决策者偏好方案计算的水资源配置方法及系统 | |
US8700541B2 (en) | Modeling method of neuro-fuzzy system | |
Rezende et al. | Multi-output variable-fidelity bayesian optimization of a Common Mode Choke |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210510 Address after: 210001 room 7032, No.11 Zhanyuan Road, Qinhuai District, Nanjing City, Jiangsu Province Patentee after: Nanjing Smart Water Transportation Technology Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |