CN108229689B - 在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类 - Google Patents
在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类 Download PDFInfo
- Publication number
- CN108229689B CN108229689B CN201810001281.0A CN201810001281A CN108229689B CN 108229689 B CN108229689 B CN 108229689B CN 201810001281 A CN201810001281 A CN 201810001281A CN 108229689 B CN108229689 B CN 108229689B
- Authority
- CN
- China
- Prior art keywords
- sample
- hypercube
- node
- hypersphere
- deviating
- 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.)
- Active
Links
- 239000004065 semiconductor Substances 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims 3
- 238000007405 data analysis Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 29
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Information Transfer Between Computers (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种数据分析方法与系统,包括产生第一节点,确定所述第一节点的第一超立方体,确定样本是否存在于所述第一超立方体内。若所述样本不存在于所述第一超立方体内,则所述方法包括确定所述样本是否存在于第一超球体内,其中所述第一超球体具有与所述第一超立方体的对角线相等的半径。
Description
本申请是申请日为2014年1月14日、申请号为201480009999.4、发明名称为“在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类”的发明专利申请的分案申请。
技术领域
本公开内容涉及人工神经网络,且更特定而言,涉及用于分析系统的径向基函数网络。
背景技术
人工神经网络可用于根据系统的已知数值分析系统中的操作。举例而言,使用者可对分析传感器数据有兴趣,比如来自半导体处理设备的传感器数据。径向基函数(RadialBasis Function,RBF)网络是使用径向基函数作为激活函数的人工神经网络。在典型RBF网络中,RBF节点或神经元可用于确定节点的激活值,其中每一个节点都具有多个输入与一个输出。RBF网络一般仅能区分正常值与异常值。RBF网络分析中的误差往往是误否定(falsenegative),且错误的结果往往随着维度数量(例如传感器数量)增加而增加。
发明内容
一种方法包括:由处理器产生第一节点;由所述处理器确定第一节点的第一超立方体;由所述处理器确定样本是否存在于所述第一超立方体内;以及,若所述样本不存在于所述第一超立方体内,则由所述处理器确定所述样本是否存在于第一超球体内,其中所述第一超球体具有与所述第一超立方体的对角线相等的半径。
一种系统包括存储器以及耦接至所述存储器的处理装置,所述处理装置用以:产生第一节点;确定所述第一节点的第一超立方体;确定样本是否存在于所述第一超立方体内;以及,若所述样本不存在于所述第一超立方体内,则确定所述样本是否存在于第一超球体内,其中所述第一超球体具有与所述第一超立方体的对角线相等的半径。
一种包括指令的非瞬态计算机可读取的储存媒介,所述指令在由计算机系统执行时使所述计算机系统执行一组操作,所述操作包括:产生第一节点;确定所述第一节点的第一超立方体;确定样本是否存在于所述第一超立方体内;以及,若所述样本不存在于所述第一超立方体内,则确定所述样本是否存在于第一超球体内,其中所述第一超球体具有与所述第一超立方体的对角线相等的半径。
附图说明
在附图的图示中,通过举例的方式、而非通过限制的方式来对本公开内容加以说明。
图1示出了网络架构的一个具体实施方式。
图2示出了一种RBF网络与超立方体分析方法的一个实施方式。
图3示出了一种RBF网络与超立方体分析方法的另一实施方式。
图4示出了一种示例性RBF网络。
图5示出了一种用于半导体处理设备的示例性RBF网络。
图6示出了RBF网络的误否定结果。
图7示出了RBF网络的误肯定(false positive)结果。
图8示出了RBF网络与超立方体分析的实施方式。
图9示出了RBF网络与超立方体分析中的偏离(excursion)的实施方式。
图10示出了RBF网络与超立方体分析中的偏离的实施方式。
图11示出了RBF网络和超立方体分析中的偏离的实施方式。
图12示出产生超立方体与超球体的实施方式。
图13示出了可信度预估的实施方式。
图14A、图14B、图14C、图14D与图14E示出示例性传感器数据。
图15A与图15B示出示例性传感器数据。
图16示出示例性RBF网络。
图17示出示例性计算机系统。
图18示出可信度预估的实施方式。
具体实施方式
本发明的实施方式涉及数据的RBF网络与超立方体分析的方法和系统。举例而言,数据样本可以是来自半导体处理设备的传感器数据。在一实施方式中,所述方法与系统能检测样本是否指示了附属系统中的“正常”与“异常”操作、若异常偏离能被标记则对指示“异常”行为的样本分类、以及若能得到关于根本原因与解决方案的信息则判定并修正“异常”行为。本发明的实施方式是可延伸的,因为可将另外辨识的偏离加入至所述系统。
RBF函数可定义为满足以下方程式的任何函数:
RBF网络为位于n-维空间中的RBF函数的集合。在图4所示的一个RBF网络中有两层,包括输入层401与RBF层403。此网络具有3个输入和4个RBF节点。在此,每一个节点都位于n-维空间中,其中输入的数量即定义了n(例如在图4中,n=3)。每一个节点都可利用n-元向量来定义,且至每一个节点的输入也可为n-元向量。图4中所示的网络能区分出5种独特的偏离或类别。每一个节点都代表一独特的偏离或类别。未知样本可属于节点1至4或不属于任何节点。
举例而言,输入样本可以是标准化数值,其中所述样本被表示为已知参考集合(reference set)、工艺中的指定运转次数或来自指定天数的所有运转之间的标准差(sigma difference),其应提供高于90%的精确度。
然而,误差随着RBF网络中的维度的增加而增加。举例而言,对于1-维正常分布的数据而言,预期99.7%的样本是在+/-3σ内。对于2-维正常分布的数据而言,会有较多的样本落在+/-3σ外部。对于3-维正常分布的数据而言,则甚至会有更多的样本落在+/-3σ外部。随着维度增加,单元超球体的体积趋近于零,因而导致误差数量增加。因此,如图6所示,原生RBF网络将具有误否定误差,其中样本601在所述样本为正常时被辨识为异常。在此,样本601在RBF函数圆外部、但在+/-3σ边界内部。因此,当样本601由于样本601落在所述+/-3σ边界内而实际上为正常时,原生RBF网络指示样本601是在节点外部(在此情况中为正常)。
在一个实施方式中,这个问题通过增加节点超球体的半径而克服。虽然仍存在误差,但如图7所示,所述误差现在是误肯定,其中样本701在所述样本应该被辨识为未知时却被辨识为“正常”。对于已确定的样本类别,这些样本可被指定较低可信度预估值。
在此,产生一节点,且为所述节点确定超立方体。然后,所述系统确定样本是否存在于所述超立方体内。若所述样本不存在于所述超立方体内,则所述系统确定所述样本是否存在于超球体内(所述超球体具有与所述超立方体的对角线相等的半径)。所述系统接着根据所述样本是否存在于所述超立方体内(正常)、超球体内(正常但可信度较低)、或皆不在其内(异常)而确定可能的样本类别,例如正常或异常。
在一实施方式中,任何给定节点的最大误差都沿着单一轴,且可被计算以用于评估所述网络或误差是否为可容许的。在一个实施方式中,可通过在轴上添加具有相关标签的其他节点(例如偏离)来使误差最小化。
图1示出了根据一实施方式的网络架构100。一开始,RBF网络与超立方体系统102辨识限定系统(比如物理处理系统104)的数据源106(例如传感器)。使用者可通过客户端机器110而从数据源106中的不同数据源选择(例如通过图形化使用者介面(GUI))数据(例如样本)。系统102从此数据导出RBF网络与超立方体。举例而言,如图5的RBF网络所示,气体总流量501、腔室压力503以及TGV位置505的传感器数据可用于特征化压力控制系统。
在一实施方式中,使用者也可通过客户端机器110选择偏离108(亦即,异常系统行为的限定参数),且偏离108可由系统102储存于持久储存单元112中。
举例而言,物理处理系统104可包括制造工具,或可直接或通过网络(例如局域网(LAN))而连接至制造工具。制造工具的实例包括用于电子装置制造的半导体制造工具,比如蚀刻器、化学气相沉积反应炉等。制造这类装置可包括涉及不同类型的制造工艺的数十道制造步骤(也称为配方(recipe))。
物理处理系统104可包括任何类型的计算装置以控制系统,所述计算装置包括台式计算机、膝上型计算机、手持式计算机或类似的计算装置。数据源106(例如传感器)可以是物理处理系统104和/或制造工具的一部分,或者可连接至物理处理系统104和/或制造工具(例如,通过网络)。
在另一实例中,客户端机器110可为任何类型的计算装置,包括台式计算机、膝上型计算机、行动通讯装置、手机、智能手机、手持式计算机或类似的计算装置。
在一实施方式中,物理处理系统104、数据源106、持久储存单元112以及客户端机器110被连接至系统102,所述连接可为直接连接或者是经由硬件界面(未示)或经由网络(未示)的间接连接。所述网络可为局域网(LAN)(比如在公司内的企业内部网络)、无线网络、移动通讯网络或广域网(WAN)(比如因特网或类似的通讯系统)。网络可包括任何数量的连网与计算装置,比如有线与无线装置。
上述功能区分仅为例示。在其他实施方式中,所述功能可结合于单一部件中,或再分到任何部件组合。举例而言,客户端机器110与系统102可驻留在单一计算机系统上、在分开的计算机系统上或是在单一计算机系统与分开的计算机系统的组合上。
图2示出RBF网络与超立方体分析方法200的一个实施方式。方法200可通过处理逻辑来执行,所述处理逻辑可包括硬件(例如电路、专用逻辑、可编程逻辑、微编码等)、软件(例如在处理装置上运行的指令)或硬件与软件的组合。在一个实施方式中,方法200由图1的系统102执行。
在图2的方块202,系统102的处理逻辑产生第一节点1200,如图12所示。第一节点具有多个输入与一个输出。为产生节点,提供数个输入n、位置L[n](L[n]向量确定在n-维空间中的节点位置)以及接收场(receptive field)r(节点的维度或大小)。在一实施方式中,默认r值为1。
每一个节点含有高斯激活:
以及规一化的高斯激活:
所使用的激活函数视操作而定。在两种情况中,
为激活节点,提供要使用的激活函数与输入向量。系统102计算d并使用适当的激活函数来返回x。
对于任何给定数值x的节点临界值是用于确定给定输入I是否包含在所述节点内的数值。下式被用于计算节点临界值:
系统102产生具有适当的位置和接收场的第一节点,并在适当时以正确的激活函数来激活所述节点。
当节点和所需要的节点信息产生后,系统102还需要记录节点标签和任何相关动作。节点标签限定了样本类别,例如正常或缺陷。节点动作限定了当样本属于特定节点时所要做的以及何时执行所述动作。
在方块204,系统102的处理逻辑确定第一节点1200的第一超立方体1201,如图12所示。在一实施方式中,基于参考数据而产生3σ超立方体。换言之,第一超立方体的大小为3σ。
在方块206,系统102的处理逻辑确定当在所述第一节点的原点周围镜射时,样本是否存在于所述第一超立方体内。计算下式:
c[x]=||i[x]-l[x]||,x=1至n
当超立方体被用于检测时,任何节点的输出将为0或1,其中1表示存在于所述超立方体中。若c[x]值小于或等于第一节点的r(亦即,接收场),则第一节点输出为1。在这个情况中,系统102已使用第一超立方体来检测所述样本属于何类别,且RBF函数并未被激活。如图8的第一节点800所示,若样本805落于第一超立方体801内,则样本805会被视为属于所述第一节点的类别,且被视为是正常的。
在方块208,若样本在第一超立方体外部,则所述系统确定所述样本是否存在于在第一超立方体1201周围的第一超球体1203内,其中第一超球体1203的半径等于第一超立方体1201的对角线1205,如图12所示。如图8所示,若样本807存在于第一超球体803内,则所述样本被视为属于第一节点800的类别,并且被视为正常,但具有较低可信度预估值。若样本809在第一超球体803外部,则所述样本即被分类为未知或可疑。
举例而言,若c[x]值大于r,则系统102即切换至RBF函数。最初,出现的所有节点的接收场被设定为1。在此,使用临界值调整方案(亦即,使用固定函数、但根据离原点的距离来选择不同的临界值)来替代接收场调整方案(亦即,使用较广的函数)。利用方程式a1与所记录的输出(其中每一节点的输出的数值范围是从1至0)来激活所述节点。
换言之,对于二维的情况而言,两个高斯类型曲线为带有接收场1的RBF函数。在此,正方形(二维超立方体)具有3σ侧边,使得在所述正方形周围的圆(二维超球体)具有4.24的半径。当提供了输入,且利用方程式a1激活RBF函数后,输出根据所述样本离节点有多远而定,输出是从1至0的值。临界值为当输入是超立方体的半径时的RBF输出,在此例中,4.24被输入至方程式a1。在此,临界值为0.00012。
在这个实例中,若所述样本具有的座标为(2,0),则所述样本会在3σ正方形内。若所述样本具有的座标为(3.5,0)则所述样本会在所述正方形外部,因此方程式a1会被激活。在此例中,输出会是大于所述临界值的数值,因此,所述样本会在所述圆中。若所述样本具有的座标为(4.2,0),则方程式a1会再次被激活。然而,现在所述输出小于所述临界值,因此此样本在圆的外部。
在方块210,系统200的处理逻辑基于所述样本是否存在于所述超立方体或所述超球体内而确定所述样本的可能样本类别。如果超立方体被用于检测,那么若存在输出为1,则所述样本会被视为属于所述第一节点。如果RBF函数被用于检测,则利用方程式a3来计算第一节点的节点临界值,其中x为当前节点的原始接收场值。若节点输出大于或等于节点临界值,则所述样本被视为属于此节点。
任何给定数值x的节点误差是所述样本离具有侧边长x的理论超立方体平面有多远的估算值。节点误差被用于在所述样本在超立方体外部、但在超球体内部时确定对节点的样本正确指定的可信度预估值。可信度预估值以所述样本离所述超立方体的侧边有多远为基础。下述方程式被用于计算节点误差:
通常,节点误差被四舍五入至两位有效数字。
换言之,误差可在一个维度中来描述。项次im为输入,而项次lm则考量了远离原点的节点。在节点在原点处(lm为0)的实例中,如图18所示,x(亦即,超立方体的侧边长度)为3σ,半径为4.24,且im为4。在此,误差为abs(4-3),即1。节点误差为(1-(1/(4.24-3))),即等于0.19,其表示所述样本并未靠近立方体,因此所述样本属于此节点的可信度较低。然而,前述数值仅代表一个实例,且im不限于任何特定数值。若lm大于4.24,则节点误差为0,其表示所述样本位于超立方体与超球体外部。
图3示出了RBF网络与超立方体分析方法300的一实施方式。方法300可由处理逻辑来执行,所述处理逻辑可包括硬件(例如电路、专用逻辑、可编程逻辑、微编码等)、软件(例如在处理装置上运行的指令)或硬件与软件的组合。在一实施方式中,方法300由图1的系统102执行。
在方块302,系统102的处理逻辑自客户端机器110接收使用者选择的偏离。举例而言,对于存在于第一超球体外部的任何样本而言,使用者可用描述性标签来标示此偏离,所述描述性标签例如偏离A(Excursion A)。系统102可将偏离108储存于持久储存单元112中。
在方块304,系统102的处理逻辑产生偏离节点。如图9所示,除第一节点900以外已产生偏离A节点901。所述偏离节点可类似于如关于图2的方块202描述的第一节点而产生。
在方块306,系统102的处理逻辑确定偏离节点901的偏离超立方体903,如图9所示。偏离超立方体可类似于如关于图2的方块204描述的第一超立方体而产生。
在方块308,系统102的处理逻辑确定样本在偏离节点901的原点周围镜射时是否存在于偏离超立方体903内,如图9所示。若样本存在于偏离超立方体903内,则所述样本即被视为属于偏离A节点。系统102可以类似于关于图2的方块206描述的确定方式来确定样本是否存在于所述偏离超立方体内。
在方块310,若样本在偏离超立方体903外部,则系统102确定所述样本是否存在于偏离超立方体903周围的偏离超球体905内,其中偏离超球体905具有等于偏离超立方体903的对角线的半径。若样本907存在于偏离超球体905内,则样本907即被视为属于偏离A节点,但具有较低的可信度预估值。若样本909在偏离超球体905外部,则样本909即被分类为未知。系统102可以类似于关于图2的方块208描述的确定方式来确定样本是否存在于偏离超球体内。
在一实施方式中,如图10所示,对于在所有超球体外部的任何样本1003而言,系统102可预测样本1003应该与哪一节点相关联(如果有的话)。在此RBF函数测量样本1003与每一节点1000、1001的形心1005、1007之间的距离。样本1003接着会被视为属于最近的偏离A节点1001的形心1007,如图10所示。在此,系统102可允许使用者将所述样本加入最佳匹配类别、将所述样本加入新类别或不采取动作。
举例而言,利用归一化高斯激活方程式a2来激活每一节点。接着,利用下式来调整每一节点输出。
节点总和=∑节点输出(n)
此方案确保激活一个节点,因此输出并非是“未知”。用于确定样本类别的逻辑是类似的。换言之,假设初始网络发现一样本是“未知”(表示其并不属于任何现有节点),则使用者会想要确定所述样本是否类似于现有节点(例如,接近现有节点、但实际上未在所述节点中)。在此,使用归一化的高斯激活来激活所述网络,且至少一个节点激活以使得所述网络不会针对样本返回“未知”。所述网络将返回最接近所述样本的节点的节点标签。
在一实施方式中,若样本存在于多个超球体或超立方体中,则系统102可使用RBF函数来确定所述样本所属于的超球体或超立方体。举例而言,图11示出第一节点1100、偏离A节点1101以及偏离B节点1103。在此,样本1105存在于偏离A节点1101和偏离B节点1103两者的超球体1107、1109内。样本1105与样本所存在的每一节点1101、1103的形心1111、1113之间的距离被测量。系统102接着将样本1105视为属于形心最近的节点。
在一实施方式中,若超立方体被用于检测,且样本存在于两个或更多个超立方体中(例如,多个节点具有1的输出值),则出现的所有节点的接收场被设定为1。利用方程式a1来激活样本所存在的超立方体的节点并记录输出。最大输出被记录,且所述样本被视为属于具有最大输出的节点。若使用RBF函数,且样本被发现是在两个或更多节点中,则记录最大输出,且所述样本被视为属于具有最大输出的节点。在此,所述样本可不属于节点、或仅属于一个节点。所述样本被给予所述样本所存在的节点的标签。
换言之,若发现样本是在两个或更多个超立方体中,所述超立方体检测仅返回1或0,则这样无法单独以此信息来确定所述样本所属于的立方体。因此,切换至RBF函数,所述样本离每一个立方体中心的距离即能被确定。以最靠近的立方体的标签来标示未知样本。若发现样本是在两个或更多个超球体中,则具有最大RBF函数输出的节点的标签会被记录,这是由于RBF函数在样本位于立方体中心时会返回1,且会随着样本离中心更远而衰减。
在确定检测的可信度预估值时,若超立方体被用于检测,则确定性为100%。若使用的是RBF函数,且发现所述样本并不属于任何节点,则确定性也同样为100%。否则确定性为方程式a4*100%,其中x为所述节点的原始接收场值。
在一实施方式中,系统102确定存在于超球体内、但在超立方体外的样本的可信度预估值。在此,样本可仅在一个维度中具有误差。系统102确定在任何维度中的最大误差及在单一误差维度上的样本误差,如图13所示。至超立方体的平面的距离由所述样本误差与所述最大误差的误差比例确定。此误差比例可用于确定可信度预估值。
图14A、图14B、图14C、图14D与图14E示出了根据上述方法加以分析的示例性传感器数据。举例而言,传感器数据可特征化偏压RF系统,包括匹配序列位置(如图14A所示)、匹配分流位置(如图14B所示)、DC偏压(如图14C所示)、正向功率(如图14D所示)以及反射功率(如图14E所示)。在这些实例中,在中心带内的样本表示“正常”行为。在此,可产生五维的RBF网络,所述网络取得五组传感器数据作为输入,并可仅初步区分“正常”和“不正常”操作。
图15A示出“正常”操作的实例,而图15B示出“不正常”操作的实例。对于图15B所示的“不正常”情况而言,匹配序列位置上升(UP)、匹配分流位置下降(DOWN)、DC偏压下降(DOWN)、正向功率上升(UP)且反射功率上升(UP)。在此,系统可允许使用者将此偏离指定为“已知”偏离类型(例如故障类型),带有修正动作(如果已知的话)或不采取动作。
就这个实例而言,使用者确定这是一种被称为“RF偏压问题”的故障,带有“将SW更新至版本xx.xx.xx”的修正动作。在一实施方式中,此信息可作为偏离108而被加到持久储存单元112中,使得当系统102分析具有类似参数的样本时,系统102可对使用者提供故障类型与建议的修正动作。
图16示出了RBF网络的实例,其中仅绘示出三个维度。在此,DC偏压与正常节点重叠。在这个情况中,若所分析的样本在“正常”与“DC偏压偏移”两节点中,则系统将确定样本为“正常”。一样本被示在“偏压耦合”节点的边上,且确定性被确定为约78%。
在一实施方式中,若加入新的偏离节点,则节点大小由离第一节点的原点的距离决定。第一节点位于原点处。偏离节点离原点越远,则节点的大小就越大。最初样本与原点之间的距离是利用下式计算:
其中s为样本坐标,o为原点,n为维度
若所述距离小于3,则新节点的大小为1。若所述距离大于9,则新的节点的大小为3。换句话说,新节点的大小=距离/3。换言之,节点离原点越远,则节点将会越大。节点大小从靠近原点时节点大小为1线性增加,直到节点大小为3为止,而比这个节点更远的节点将具有的节点大小为3。在此,在靠近原点处,偏离可能会具有局部性分布,且因此使用小节点,使得节点不与“正常”节点重叠。离原点越远,分布即增大,因此使用较大节点。然而,可设置的最大节点大小为3,使得节点不会大到不合理。
图17为方块图,其示出了示例性计算装置(或系统)1700。计算装置1700包括一组指令以使计算装置1700执行本文所述的方法中的任一或多个方法。机器可在客户端-伺服器网络环境中的伺服机器的容量中运行。所述机器可以是个人计算机(PC)、置顶盒(STB)、伺服器、网络路由器、切换器或桥接器、或是可执行一组指令(依序或以其他方式)(所述组指令指明所述机器将采取的动作)的任何机器。此外,虽然仅示出单一计算装置,但用语“计算装置”应也可视为包括单独地或结合地执行一组(或多组)指令以执行本文所述方法中的任一或多个方法的任何机器集合。
示例性的计算机装置1700包括处理系统(处理装置)1702、主存储器1704(例如只读存储器(ROM)、闪存、诸如同步DRAM(SDRAM)之类的动态随机存取存储器(DRAM)等)、静态存储器1706(例如闪存、静态随机存取存储器(SRAM)等)以及数据储存装置1716,前述计算机装置通过总线1708而彼此通讯。
处理装置1702表示一或多个通用处理装置,比如微处理器、中央处理单元或类似装置。更特定地,处理装置1702可以是复杂指令集运算(CISC)微处理器、精简指令集运算(RISC)微处理器、超长指令字(VLIW)微处理器或是实施其他指令集的处理器或实施指令集组合的处理器。处理装置1702也可为一或多个专用处理装置,比如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器或类似处理装置。处理装置1702被配置以执行图1的系统102,以执行本文论述的操作与步骤。
计算装置1700可进一步包括网络界面装置1722。计算装置1700也可包括视频显示单元1710(例如液晶显示器(LCD)或阴极射线管(CRT))、字母数字输入装置1712(例如键盘)、光标控置装置1714(例如鼠标)以及信号产生装置1720(例如扬声器)。
数据储存装置1716可包括计算机可读取的储存媒介1724,在所述储存媒介上储存有可体现本文描述的方法或功能中的任一或多种方法或功能的一或多组指令1726。在由计算装置1700执行指令期间,指令1726也可完全或至少部分存在于主存储器1704内和/或处理装置1702内,主存储器1704和处理装置1702亦构成计算机可读取的媒介。指令1726可进一步通过网络界面装置1722而于网络1728上被传输或接收。
虽然在示例性实施方式中,计算机可读取的储存媒介1724被绘示为单一媒介,但用语“计算机可读取的储存媒介”应被理解为包括储存一或多组指令的单一媒介或多个媒介(例如集中式或分布式数据库、和/或相关的缓存与伺服器)。用语“计算机可读取的储存媒介”还应包括可储存、编码或传载由机器执行且可使机器执行本发明方法中的任一或多个方法的指令集的任何媒介。用语“计算机可读取的储存媒介”可包括但不限于固态存储器、光学媒介和磁性媒介。
下述部分的详细说明根据在计算机存储器内的对数据位元的演算法与操作符号表示而提出。这些演算说明与表示皆为数据处理领域中的技术人员所使用的用来最有效率地将其工作本质传达给所述领域中其他技术人员的方式。在此,演算法一般被理解为会导致一结果的自相容步骤序列。这些步骤是需要物理量的物理操作的步骤。通常,尽管非必须,但这些量采用电信号或磁信号的形式,其可被储存、传送、组合、比较以及以其他方式操纵。已经证明了有时(主要是为了公共使用的理由)将这些信号表示为位元、数值、元素、符号、字母、用语、数字或类似形式是便利的。
然而,应牢记的是,所有的这些和类似用语都要与适当物理量相关,并且仅是应用于这些物理量的方便标签。除非从以下论述中明显地有另外的具体陈述,否则应知在整个说明中,利用诸如“确决定”、“辨识”、“比较”、“发送”或类似用语的用语是指计算机系统或类似的电子计算装置的动作与处理,所述计算机系统或类似的电子计算装置对在计算机系统的寄存器与存储器内表示为物理(例如电子)量的数据操纵及转换为在计算机系统存储器或寄存器或其他这类信息储存、传输或显示装置内的同样表示为物理量的其他数据。
本发明的实施方式还涉及一种用于执行本文所述操作的系统。此系统可针对所需目的而被特别建构,或者此系统可包含由储存在计算机内的计算机程序来选择性启动或重置的通用计算机。此计算机程序可储存在计算机(或机器)可读取的储存媒介中,比如、但不限于:任何类型的盘(包括软盘、光盘、CD-ROM、以及磁光盘)、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁性卡或光学卡、闪存、或适合储存电子指令的任何类型的媒介。
本文所提出的演算法和显示器并不与任何特定计算机或其他设备本质上相关。可使用带有根据本文教导的程序的各种通用系统,或者建构更为专用的设备来执行这些方法步骤可被证明为便利的。从本文描述将可得知这些系统的各式各样的结构。此外,本发明的实施方式并不是针对任何特定的编程语言而描述。可知各种编程语言都可用于实施本发明的上述教示内容。
应理解以上描述为说明性的而非限制性的。许多其他实施方式对本领域技术人员来说在阅读与理解以上描述后将变得显而易见。因此,本发明的范围应参照所附权利要求书以及这些权利要求书的等同物的整体范围来确定。
Claims (14)
1.一种方法,包括:
辨识一节点;
确定与所述节点相关的超立方体;
确定所述超立方体的大小和与所述节点相关的超球体,其中所述超球体具有与所述超立方体的对角线相等的半径;
辨识来自半导体处理设备的数据相关的样本的位置;
确定所述样本的所述位置是否在所述超立方体或所述超球体内;
按照当所述样本位于所述超立方体外部、但位于所述超球体内时,对所述样本指定比当所述样本位于所述超立方体内部时较低的可信度,由处理装置根据所述样本的所述位置是否在所述超立方体或所述超球体内的确定结果而确定所述样本的类别;以及
根据所述样本的所述类别的确定结果而向所述半导体处理设备提供修正动作。
2.如权利要求1所述的方法,其中确定所述样本的所述类别的步骤包括:
当所述样本位于所述超立方体内时,将所述样本辨识为对应于所述节点的类别。
3.如权利要求1所述的方法,其中所述较低的可信度以所述样本的所述位置距所述超立方体的侧边的距离为基础。
4.如权利要求1所述的方法,其中确定所述样本的所述类别的步骤包括:
当所述样本不位于所述超立方体或所述超球体内时,将所述样本辨识为未知类别。
5.如权利要求1所述的方法,进一步包括:
接收使用者选择的偏离;
产生所述偏离的偏离节点;
确定所述偏离节点的偏离超立方体;
确定所述样本的位置是否在偏离节点原点周围的所述偏离超立方体内;
当所述样本的所述位置不在所述偏离超立方体内时,确定所述样本的所述位置是否在偏离超球体内,其中所述偏离超球体具有与所述偏离超立方体的对角线相等的半径;及
根据所述样本的所述位置是否在所述偏离超立方体或所述偏离超球体内而确定可能的样本类别。
6.一种系统,包括:
存储器;及
处理装置,所述处理装置操作性地耦接于所述存储器以:
辨识一节点;
确定与所述节点相关的超立方体;
确定所述超立方体的大小和与所述节点相关的超球体,其中所述超球体具有与所述超立方体的对角线相等的半径;
辨识来自半导体处理设备的数据相关的样本的位置;
确定所述样本的所述位置是否在所述超立方体或所述超球体内;
按照当所述样本位于所述超立方体外部、但位于所述超球体内时,对所述样本指定比当所述样本位于所述超立方体内部时较低的可信度,根据所述样本的所述位置是否在所述超立方体或所述超球体内的确定结果而确定所述样本的类别;以及
根据所述样本的所述类别的确定结果而向所述半导体处理设备提供修正动作。
7.如权利要求6所述的系统,其中为了确定所述样本的所述类别,所述处理装置进一步用以:
当所述样本位于所述超立方体内时,将所述样本辨识为对应于所述节点的类别。
8.如权利要求6所述的系统,其中所述较低的可信度以所述样本的所述位置距所述超立方体的侧边的距离为基础。
9.如权利要求6所述的系统,其中为了确定所述样本的所述类别,所述处理装置进一步用以:
当所述样本不位于所述超立方体或所述超球体内时,将所述样本辨识为未知类别。
10.如权利要求6所述的系统,其中所述处理装置进一步用以:
接收使用者选择的偏离;
产生所述偏离的偏离节点;
确定所述偏离节点的偏离超立方体;
确定所述样本的位置是否在偏离节点原点周围的所述偏离超立方体内;
当所述样本的所述位置不在所述偏离超立方体内时,确定所述样本的所述位置是否在偏离超球体内,其中所述偏离超球体具有与所述偏离超立方体的对角线相等的半径;及
根据所述样本的所述位置是否在所述偏离超立方体或所述偏离超球体内而确定可能的样本类别。
11.一种包括指令的非瞬态计算机可读取媒介,所述指令在由处理装置执行时使所述处理装置执行操作,所述操作包括:
辨识一节点;
确定与所述节点相关的超立方体;
确定所述超立方体的大小和与所述节点相关的超球体,其中所述超球体具有与所述超立方体的对角线相等的半径;
辨识来自半导体处理设备的数据相关的样本的位置;
确定所述样本的所述位置是否在所述超立方体或所述超球体内;
按照当所述样本位于所述超立方体外部、但位于所述超球体内时,对所述样本指定比当所述样本位于所述超立方体内部时较低的可信度,根据所述样本的所述位置是否在所述超立方体或所述超球体内的确定结果而确定所述样本的类别;以及
根据所述样本的所述类别的确定结果而向所述半导体处理设备提供修正动作。
12.如权利要求11所述的非瞬态计算机可读取媒介,其中为了确定所述样本的所述类别,所述操作进一步包括:
当所述样本位于所述超立方体内时,将所述样本辨识为对应于所述节点的类别。
13.如权利要求11所述的非瞬态计算机可读取媒介,其中所述较低的可信度以所述样本的所述位置距所述超立方体的侧边的距离为基础。
14.如权利要求11所述的非瞬态计算机可读取媒介,其中为了确定所述样本的所述类别,所述操作进一步包括:
当所述样本不位于所述超立方体或所述超球体内时,将所述样本辨识为未知类别。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361753796P | 2013-01-17 | 2013-01-17 | |
US61/753,796 | 2013-01-17 | ||
US14/151,295 | 2014-01-09 | ||
US14/151,295 US9262726B2 (en) | 2013-01-17 | 2014-01-09 | Using radial basis function networks and hyper-cubes for excursion classification in semi-conductor processing equipment |
CN201480009999.4A CN105074706B (zh) | 2013-01-17 | 2014-01-14 | 在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类 |
PCT/US2014/011528 WO2014113403A1 (en) | 2013-01-17 | 2014-01-14 | Using radial basis function networks and hyper-cubes for excursion classification in semi-conductor processing equipment |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480009999.4A Division CN105074706B (zh) | 2013-01-17 | 2014-01-14 | 在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229689A CN108229689A (zh) | 2018-06-29 |
CN108229689B true CN108229689B (zh) | 2022-04-05 |
Family
ID=51165976
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480009999.4A Active CN105074706B (zh) | 2013-01-17 | 2014-01-14 | 在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类 |
CN201810001281.0A Active CN108229689B (zh) | 2013-01-17 | 2014-01-14 | 在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480009999.4A Active CN105074706B (zh) | 2013-01-17 | 2014-01-14 | 在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类 |
Country Status (8)
Country | Link |
---|---|
US (2) | US9262726B2 (zh) |
JP (2) | JP6377639B2 (zh) |
KR (2) | KR101665476B1 (zh) |
CN (2) | CN105074706B (zh) |
DE (1) | DE112014000466T5 (zh) |
SG (2) | SG10201709489QA (zh) |
TW (2) | TWI628603B (zh) |
WO (1) | WO2014113403A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10565513B2 (en) * | 2016-09-19 | 2020-02-18 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach |
US11275975B2 (en) * | 2017-10-05 | 2022-03-15 | Applied Materials, Inc. | Fault detection classification |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1535435A (zh) * | 2001-07-30 | 2004-10-06 | Ӧ�ò��Ϲ�˾ | 用于分析制造数据的方法和装置 |
CN101310294A (zh) * | 2005-11-15 | 2008-11-19 | 伯纳黛特·加纳 | 神经网络的训练方法 |
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
CN102763048A (zh) * | 2010-02-16 | 2012-10-31 | 应用材料公司 | 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备 |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5351247A (en) * | 1988-12-30 | 1994-09-27 | Digital Equipment Corporation | Adaptive fault identification system |
JPH03176776A (ja) * | 1989-12-06 | 1991-07-31 | Mitsubishi Electric Corp | 円のピック処理方式 |
JPH06314268A (ja) * | 1993-04-28 | 1994-11-08 | Toshiba Corp | ニューラルネットの調節装置及び調節方法 |
DE69430744T2 (de) | 1994-07-28 | 2003-01-30 | Ibm | Verbesserte Neuronalhalbleiterchipsarchitekturen und Neuronalnetzwerke darin |
KR970051806A (ko) * | 1995-12-21 | 1997-07-29 | 양승택 | 스레숄드 망의 합성방법 |
US5982374A (en) * | 1997-04-30 | 1999-11-09 | Wahl; Larry E. | Vallian/geometric hexagon opting symbolic Tesseract V/GHOST |
JP3309820B2 (ja) * | 1998-12-02 | 2002-07-29 | 日本電気株式会社 | 拡散係数抽出方法及び抽出装置 |
JP2003503787A (ja) * | 1999-06-25 | 2003-01-28 | マッシブリー パラレル コンピューティング, インコーポレイテッド | 大規模集合ネットワークによる処理システムおよびその方法 |
US20040034612A1 (en) * | 2002-03-22 | 2004-02-19 | Nick Mathewson | Support vector machines for prediction and classification in supply chain management and other applications |
US20030233310A1 (en) * | 2002-06-17 | 2003-12-18 | Boris Stavrovski | Method and system for implementing a business transaction over the internet with use and consecutive transformation of information from publicly available databases, actual preferences of potential customers and statistical models of the market situation |
US7474999B2 (en) * | 2002-12-23 | 2009-01-06 | Cadence Design Systems, Inc. | Method for accounting for process variation in the design of integrated circuits |
US7340001B2 (en) * | 2003-12-03 | 2008-03-04 | Ut-Battelle Llc | Multidimensional signal modulation and/or demodulation for data communications |
JP4514687B2 (ja) * | 2004-11-08 | 2010-07-28 | 株式会社東芝 | パターン認識装置 |
US7487489B2 (en) * | 2005-02-28 | 2009-02-03 | Yuri Granik | Calculation system for inverse masks |
ITBG20050013A1 (it) | 2005-03-24 | 2006-09-25 | Celin Technology Innovation Srl | Metodo per il riconoscimento tra un primo oggetto ed un secondo oggetto rappresentati da immagini. |
JP5050607B2 (ja) | 2006-05-09 | 2012-10-17 | オムロン株式会社 | 検査装置、検査方法、検査プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体 |
US7849088B2 (en) * | 2006-07-31 | 2010-12-07 | City University Of Hong Kong | Representation and extraction of biclusters from data arrays |
US7966277B2 (en) * | 2006-08-14 | 2011-06-21 | Neural Id Llc | Partition-based pattern recognition system |
US8046200B2 (en) | 2006-09-05 | 2011-10-25 | Colorado State University Research Foundation | Nonlinear function approximation over high-dimensional domains |
US8189428B2 (en) * | 2008-08-06 | 2012-05-29 | The Johns Hopkins University | Methods and systems to detect changes in multiple-frequency band sonar data |
US8355810B2 (en) * | 2009-01-29 | 2013-01-15 | Applied Materials, Inc. | Method and system for estimating context offsets for run-to-run control in a semiconductor fabrication facility |
US8307184B1 (en) * | 2009-06-01 | 2012-11-06 | Nissani Nissensohn Daniel Nathan | Communication and memory capacity enhancement method and apparatus |
WO2011148371A1 (en) | 2010-05-23 | 2011-12-01 | Technion Research And Development Foundation Ltd. | Detection, staging and grading of benign and malignant tumors |
NL2006700A (en) * | 2010-06-04 | 2011-12-06 | Asml Netherlands Bv | Method and apparatus for measuring a structure on a substrate, computer program products for implementing such methods & apparatus. |
US9299040B2 (en) | 2010-10-26 | 2016-03-29 | Hewlett Packard Enterprise Development Lp | System and method for generating an information integration flow design using hypercubes |
US20140058705A1 (en) * | 2011-04-27 | 2014-02-27 | Decision Makers Ltd. | System and Method for Detecting Abnormal Occurrences |
US8873813B2 (en) * | 2012-09-17 | 2014-10-28 | Z Advanced Computing, Inc. | Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities |
CN103295024B (zh) * | 2012-02-29 | 2017-03-01 | 佳能株式会社 | 分类与对象检测方法和装置以及图像拍摄和处理设备 |
US9715723B2 (en) * | 2012-04-19 | 2017-07-25 | Applied Materials Israel Ltd | Optimization of unknown defect rejection for automatic defect classification |
US8996504B2 (en) * | 2012-05-24 | 2015-03-31 | Sybase, Inc. | Plan caching using density-based clustering |
-
2014
- 2014-01-09 US US14/151,295 patent/US9262726B2/en active Active
- 2014-01-14 CN CN201480009999.4A patent/CN105074706B/zh active Active
- 2014-01-14 DE DE112014000466.9T patent/DE112014000466T5/de not_active Withdrawn
- 2014-01-14 SG SG10201709489QA patent/SG10201709489QA/en unknown
- 2014-01-14 JP JP2015553783A patent/JP6377639B2/ja active Active
- 2014-01-14 SG SG11201505603VA patent/SG11201505603VA/en unknown
- 2014-01-14 WO PCT/US2014/011528 patent/WO2014113403A1/en active Application Filing
- 2014-01-14 KR KR1020157022157A patent/KR101665476B1/ko active IP Right Grant
- 2014-01-14 CN CN201810001281.0A patent/CN108229689B/zh active Active
- 2014-01-14 KR KR1020167027506A patent/KR102053834B1/ko active IP Right Grant
- 2014-01-17 TW TW105124796A patent/TWI628603B/zh active
- 2014-01-17 TW TW103101836A patent/TWI579778B/zh active
-
2016
- 2016-02-12 US US15/043,229 patent/US9852371B2/en active Active
-
2018
- 2018-07-25 JP JP2018139355A patent/JP6625699B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1535435A (zh) * | 2001-07-30 | 2004-10-06 | Ӧ�ò��Ϲ�˾ | 用于分析制造数据的方法和装置 |
CN101310294A (zh) * | 2005-11-15 | 2008-11-19 | 伯纳黛特·加纳 | 神经网络的训练方法 |
CN102763048A (zh) * | 2010-02-16 | 2012-10-31 | 应用材料公司 | 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备 |
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
SG10201709489QA (en) | 2017-12-28 |
KR20150110628A (ko) | 2015-10-02 |
TWI628603B (zh) | 2018-07-01 |
TWI579778B (zh) | 2017-04-21 |
WO2014113403A1 (en) | 2014-07-24 |
US9852371B2 (en) | 2017-12-26 |
TW201443792A (zh) | 2014-11-16 |
US9262726B2 (en) | 2016-02-16 |
TW201642184A (zh) | 2016-12-01 |
CN108229689A (zh) | 2018-06-29 |
JP2018198072A (ja) | 2018-12-13 |
JP6377639B2 (ja) | 2018-08-22 |
KR102053834B1 (ko) | 2019-12-09 |
CN105074706A (zh) | 2015-11-18 |
DE112014000466T5 (de) | 2015-09-24 |
KR20160119281A (ko) | 2016-10-12 |
US20140201117A1 (en) | 2014-07-17 |
KR101665476B1 (ko) | 2016-10-12 |
JP6625699B2 (ja) | 2019-12-25 |
CN105074706B (zh) | 2018-01-30 |
JP2016507832A (ja) | 2016-03-10 |
SG11201505603VA (en) | 2015-08-28 |
US20160162778A1 (en) | 2016-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | LSHiForest: A generic framework for fast tree isolation based ensemble anomaly analysis | |
US9275334B2 (en) | Increasing signal to noise ratio for creation of generalized and robust prediction models | |
US20230019837A1 (en) | System for automated malicious software detection | |
TWI628553B (zh) | 基於k近鄰演算法的方法與系統以對工具處理資料提供多變數分析 | |
US11775610B2 (en) | Flexible imputation of missing data | |
CN108229689B (zh) | 在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类 | |
US11048730B2 (en) | Data clustering apparatus and method based on range query using CF tree | |
Hao et al. | A new method for noise data detection based on DBSCAN and SVDD | |
Wang et al. | A multiscale concept drift detection method for learning from data streams | |
CN108536576B (zh) | 用于对应用程序的测试脚本进行优化的方法和装置 | |
CN111666316A (zh) | 一种隔离分布核构建方法、异常数据检测方法及装置 | |
Zhang et al. | A black-box attack on code models via representation nearest Neighbor search | |
Boujnouni et al. | Support vector domain description with a new confidence coefficient | |
Abdu et al. | Graph-Based Feature Learning for Cross-Project Software Defect Prediction | |
Sitong | Intelligent Data Analytics Approach for Feature Selection and Fault Diagnosis of Complex Manufacturing Processes | |
CN113849698A (zh) | 一种无向图的预估权重矩阵的确定方法及装置 | |
CN117453528A (zh) | 金融服务应用的代码质量确定方法、装置、设备和介质 | |
Shih et al. | Identifying protein complexes in AP-MS data with negative evidence via soft Markov clustering | |
DINU et al. | MACHINE LEARNING TECHNIQUES FOR DATA CENTER ANOMALIES IDENTIFICATION. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |