CN110209542A - 一种基于朴素贝叶斯分类器的内存测试方法 - Google Patents
一种基于朴素贝叶斯分类器的内存测试方法 Download PDFInfo
- Publication number
- CN110209542A CN110209542A CN201910424978.3A CN201910424978A CN110209542A CN 110209542 A CN110209542 A CN 110209542A CN 201910424978 A CN201910424978 A CN 201910424978A CN 110209542 A CN110209542 A CN 110209542A
- Authority
- CN
- China
- Prior art keywords
- memory
- test
- test item
- naive bayes
- bayes classifier
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明提供一种基于朴素贝叶斯分类器的内存测试方法,包括如下步骤:S1.选择内存引入测试项目;S2.根据内存引入测试项目的测试结果对应的产线良率生成训练数据;S3.使用训练数据对朴素贝叶斯分类器进行训练分类;S4.采用经过训练的朴素贝叶斯分类器对即待引入内存进行产线良率预测;S5.根据预测的产线良率判断是否对待引入内存进行引入。本发明采用测试项选择依据、参数化处理方法以及朴素贝叶斯与测试项相结合的方式,将现有内存引入测试项目与朴素贝叶斯分类器的人工智能算法相结合,实现待引入内存产线良率预测,判断待引入内存好坏,为部件工程师提供可控的计算支撑。
Description
技术领域
本发明属于服务器测试领域,具体涉及一种基于朴素贝叶斯分类器的内存测试方法。
背景技术
内存作为服务器的重要组成部分之一。前期对其进行充分的测试及实验有利于提高服务器整体的稳定性。并且服务器大部分错误来自于存储部件。内存是与CPU进行沟通的桥梁。计算机中所有程序的运行都是在内存中进行的,因此内存的性能对计算机的影响非常大。内存(Memory)也被称为内存储器,其作用是用于暂时存放CPU中的运算数据,以及与硬盘等外部存储器交换的数据。只要计算机在运行中,CPU就会把需要运算的数据调到内存中进行运算,当运算完成后CPU再将结果传送出来,内存的运行也决定了计算机的稳定运行。内存是由内存芯片、电路板、金手指等部分组成的。常用的内存测试的测试项包含基本测试、压力测试、性能测试、重启测试、RMT测试和功耗测试等。这些测试对内存选型显得尤为重要,也常常用来判断内存是否符合引入标准。进行内存引入测试胡目的是为了提高产线批量生产的良率。
而当前内存引入测试的测试项目并未与产线良率相关联,通常,内存引入测试仅仅是判断当前内存是否满足各个测试项得要求,满足就引入,不满足就不引入。这样的做法很容易忽略各个测试项的联系,也无法根据测试项的测试结果去预测产线批量生产的良率,因而经常会出现新款内存的引入测试均符合各种测试项目的要求,但产线的良率居高不下。
此为现有技术的不足,因此,针对现有技术中的上述缺陷,提供一种基于朴素贝叶斯分类器的内存测试方法,是非常有必要的。
发明内容
针对现有技术的上述现有的内存引入测试忽略各个测试项的联系,无法根据测试项的测试结果去预测产线批量生产的良率,经常会出现新款内存的引入测试均符合各种测试项目的要求,但产线的良率居高不下的缺陷,本发明提供一种基于朴素贝叶斯分类器的内存测试方法,以解决上述技术问题。
本发明提供一种基于朴素贝叶斯分类器的内存测试方法,包括如下步骤:S1.选择内存引入测试项目;
S2.根据内存引入测试项目的测试结果对应的产线良率生成训练数据;
S3.使用训练数据对朴素贝叶斯分类器进行训练分类;
S4.采用经过训练的朴素贝叶斯分类器对即待引入内存进行产线良率预测;
S5.根据预测的产线良率判断是否对待引入内存进行引入。
进一步地,步骤S1中内存引入测试项目包括RMT测试、利用率测试、性能测试和金手指厚度测试。此四项测试项目的原因是这四个测试项目的测试结果可以做标准化处理,从而可以忽略突变因素的影响,可以提高本发明的准确性。
进一步地,步骤S2具体步骤如下:
S21.获取每个内存引入测试项目的测试结果;
S22.将每个内存引入测试项目的测试结果参数化;
S23.将产线良率参数化;
S24.将每个内存引入测试项目的测试结果参数与产线良率参数对应,生成训练数据。训练数据由已有的内存引入测试项目的既有结果同产线良率结合产生。
进一步地,步骤S22具体步骤如下:
S221.获取每个内存引入测试项目的测试标准;
S222.取每个内存引入测试项目的测试结果与其对应的测试标准之差。选择内存引入测试项目的测试标准人不同,已有的内存引入测试项目的既有结果与测试标准的差不同,从而参数化结果不同。
进一步地,RMT测试的内存引入测试项目参数为14个,利用率测试的内存引入测试项目参数为1个,性能测试的内存引入测试项目参数为1个,金手指厚度测试的内存引入测试项目参数为1个。
进一步地,产线良率参数为两个,分别为小于标准良率阈值F和大于等于标准良率阈值T。产线良率通常取良和不良两个参数。
进一步地,步骤S4中对待引入内存进行产线良率预测,生成待引入内存小于标准良率阈值的概率PF和大于等于标准良率阈值的概率PT。通过将内存引入测试项目的参数化结果与产线良率的两个参数相关联,得出产线良率小于标准良率阈值F的概率分布和产线良率大于等于标准良率阈值T的概率分布。
进一步地,步骤S5具体步骤如下:
S51.比较待引入内存小于标准良率阈值的概率PF和大于等于标准良率阈值的概率PT;
S52.若PT的数量级高于PF的数量级超过设定第一阈值,则待引入内存可以引入;
若PT的数量级低于PF的数量级超过设定第二阈值,则待引入内存不可引入。通过小于标准良率的概率和大于标准良率的概率的数量级来预测待引入内存的良率。
进一步地,步骤S52中,若PT的数量级与PF的数量级相同,则提高内存引入测试项目的测试精度,重新获取每个内存引入测试项目的测试结果,返回步骤S21。对朴素贝叶斯分类算法进行弥补,对落入同一数量级的概率做了单独处理,保证结果的可靠性。
进一步地,第一阈值为一个数量级,第二阈值为一个数量级。
本发明的有益效果在于,
本发明采用测试项选择依据、参数化处理方法以及朴素贝叶斯与测试项相结合的方式,将现有内存引入测试项目与朴素贝叶斯分类器的人工智能算法相结合,实现待引入内存产线良率预测,判断待引入内存好坏,为部件工程师提供可靠的计算支撑。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著的进步,其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的方法流程示意图一;
图2是本发明的方法流程示意图二。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例1:
如图1所示,本发明提供一种基于朴素贝叶斯分类器的内存测试方法,包括如下步骤:
S1.选择内存引入测试项目;内存引入测试项目包括RMT测试、利用率测试、性能测试和金手指厚度测试;
S2.根据内存引入测试项目的测试结果对应的产线良率生成训练数据;
S3.使用训练数据对朴素贝叶斯分类器进行训练分类;
S4.采用经过训练的朴素贝叶斯分类器对即待引入内存进行产线良率预测;
S5.根据预测的产线良率判断是否对待引入内存进行引入。
实施例2:
如图2所示,本发明提供一种基于朴素贝叶斯分类器的内存测试方法,包括如下步骤:
S1.选择内存引入测试项目;
S2.根据内存引入测试项目的测试结果对应的产线良率生成训练数据;具体步骤如下:
S21.获取每个内存引入测试项目的测试结果;
S22.将每个内存引入测试项目的测试结果参数化;具体步骤如下:
S221.获取每个内存引入测试项目的测试标准;
S222.取每个内存引入测试项目的测试结果与其对应的测试标准之差;
S23.将产线良率参数化;产线良率参数为两个,分别为小于标准良率阈值F和大于等于标准良率阈值T;
S24.将每个内存引入测试项目的测试结果参数与产线良率参数对应,生成训练数据;
S3.使用训练数据对朴素贝叶斯分类器进行训练分类;
S4.采用经过训练的朴素贝叶斯分类器对即待引入内存进行产线良率预测,生成待引入内存小于标准良率阈值的概率PF和大于等于标准良率阈值的概率PT;
S5.根据预测的产线良率判断是否对待引入内存进行引入;具体步骤如下:
S51.比较待引入内存小于标准良率阈值的概率PF和大于等于标准良率阈值的概率PT;
S52.若PT的数量级高于PF的数量级超过设定第一阈值,则待引入内存可以引入;
若PT的数量级低于PF的数量级超过设定第二阈值,则待引入内存不可引入;
若PT的数量级与PF的数量级相同,则提高内存引入测试项目的测试精度,重新获取每个内存引入测试项目的测试结果,返回步骤S21。
实施例3:
本发明提供一种基于朴素贝叶斯分类器的内存测试方法,包括如下步骤:
S1.选择内存引入测试项目;内存引入测试项目包括RMT测试、利用率测试、性能测试和金手指厚度测试,此四项测试项目的原因是这四个测试项目的测试结果可以做标准化处理,从而可以忽略突变因素的影响,可以提高本发明的准确性;
S2.根据内存引入测试项目的测试结果对应的产线良率生成训练数据;具体步骤如下:
S21.获取每个内存引入测试项目的测试结果;
S22.将每个内存引入测试项目的测试结果参数化;具体步骤如下:
S221.获取每个内存引入测试项目的测试标准;
S222.取每个内存引入测试项目的测试结果与其对应的测试标准之差;
将内存的RMT测试结果(14个参数)、利用率测试结果(1个参数)、性能测试结果(1个参数)和金手指厚度(1个参数)测试结果进行参数化,参数化规则为实际测试结果减去测试标准。将参数化的结果分别记录为A1、A2、A3、A4、A5、A6、A7、A8、A9、A10、A11、A12、A13、A14、A15、A16和A17;
S23.将产线良率参数化;产线良率参数为两个,分别为小于标准良率阈值F和大于等于标准良率阈值T;
S24.将每个内存引入测试项目的测试结果参数与产线良率参数对应,生成训练数据;整理出已有内存测试参数与产线良率测试参数的对应关系,每一条内存的参数(A1~A17)分别对产线良率(T或F),各50条;
S3.使用训练数据对朴素贝叶斯分类器进行训练分类;朴素贝叶斯分类算法,依赖于条件概率公式;使用上述100组数据去训练朴素贝叶斯分类器;
S4.采用经过训练的朴素贝叶斯分类器对即待引入内存进行产线良率预测,生成待引入内存小于标准良率阈值的概率PF和大于等于标准良率阈值的概率PT;
S5.根据预测的产线良率判断是否对待引入内存进行引入;具体步骤如下:
S51.比较待引入内存小于标准良率阈值的概率PF和大于等于标准良率阈值的概率PT;
S52.若PT的数量级高于PF的数量级超过设定第一阈值,则表明此款内存的产线良率较好,待引入内存可以引入;
若PT的数量级低于PF的数量级超过设定第二阈值,则表明此款内存的产线良率较好差,待引入内存不可引入;
若PT的数量级与PF的数量级相同,则表明难以预测此款内存的产线良率的好坏,对于这样的内存需要单独验证处理,在加严的情况下再次进行RMT测试结果、利用率测试结果、性能测试结果。再次参数化为17个参数,再将17参数输入到朴素贝叶斯分类器中进行分类,若PT高于PF一个数量级以上,则引入,若为其他情况则不引入。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于朴素贝叶斯分类器的内存测试方法,其特征在于,包括如下步骤:S1.选择内存引入测试项目;
S2.根据内存引入测试项目的测试结果对应的产线良率生成训练数据;
S3.使用训练数据对朴素贝叶斯分类器进行训练分类;
S4.采用经过训练的朴素贝叶斯分类器对即待引入内存进行产线良率预测;
S5.根据预测的产线良率判断是否对待引入内存进行引入。
2.如权利要求1所述的基于朴素贝叶斯分类器的内存测试方法,其特征在于,步骤S1中内存引入测试项目包括RMT测试、利用率测试、性能测试和金手指厚度测试。
3.如权利要求2所述的基于朴素贝叶斯分类器的内存测试方法,其特征在于,步骤S2具体步骤如下:
S21.获取每个内存引入测试项目的测试结果;
S22.将每个内存引入测试项目的测试结果参数化;
S23.将产线良率参数化;
S24.将每个内存引入测试项目的测试结果参数与产线良率参数对应,生成训练数据。
4.如权利要求3所述的基于朴素贝叶斯分类器的内存测试方法,其特征在于,步骤S22具体步骤如下:
S221.获取每个内存引入测试项目的测试标准;
S222.取每个内存引入测试项目的测试结果与其对应的测试标准之差。
5.如权利要求3所述的基于朴素贝叶斯分类器的内存测试方法,其特征在于,RMT测试的内存引入测试项目参数为14个,利用率测试的内存引入测试项目参数为1个,性能测试的内存引入测试项目参数为1个,金手指厚度测试的内存引入测试项目参数为1个。
6.如权利要求3所述的基于朴素贝叶斯分类器的内存测试方法,其特征在于,产线良率参数为两个,分别为小于标准良率阈值F和大于等于标准良率阈值T。
7.如权利要求6所述的基于朴素贝叶斯分类器的内存测试方法,其特征在于,步骤S4中对待引入内存进行产线良率预测,生成待引入内存小于标准良率阈值的概率PF和大于等于标准良率阈值的概率PT。
8.如权利要求7所述的基于朴素贝叶斯分类器的内存测试方法,其特征在于,步骤S5具体步骤如下:
S51.比较待引入内存小于标准良率阈值的概率PF和大于等于标准良率阈值的概率PT;
S52.若PT的数量级高于PF的数量级超过设定第一阈值,则待引入内存可以引入;
若PT的数量级低于PF的数量级超过设定第二阈值,则待引入内存不可引入。
9.如权利要求8所述的基于朴素贝叶斯分类器的内存测试方法,其特征在于,步骤S52中,若PT的数量级与PF的数量级相同,则提高内存引入测试项目的测试精度,重新获取每个内存引入测试项目的测试结果,返回步骤S21。
10.如权利要求8所述的基于朴素贝叶斯分类器的内存测试方法,其特征在于,第一阈值为一个数量级,第二阈值为一个数量级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910424978.3A CN110209542B (zh) | 2019-05-21 | 2019-05-21 | 一种基于朴素贝叶斯分类器的内存测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910424978.3A CN110209542B (zh) | 2019-05-21 | 2019-05-21 | 一种基于朴素贝叶斯分类器的内存测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110209542A true CN110209542A (zh) | 2019-09-06 |
CN110209542B CN110209542B (zh) | 2023-01-10 |
Family
ID=67788017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910424978.3A Active CN110209542B (zh) | 2019-05-21 | 2019-05-21 | 一种基于朴素贝叶斯分类器的内存测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110209542B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124855A (zh) * | 2019-11-29 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种硬盘引入风险评估方法、系统及设备 |
CN115910190A (zh) * | 2022-12-05 | 2023-04-04 | 海光集成电路设计(北京)有限公司 | 芯片良率预测方法、装置及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023060A (zh) * | 2015-07-10 | 2015-11-04 | 北京航空航天大学 | 融合制造设备退化信息的生产合格率预测方法 |
CN108416470A (zh) * | 2018-02-11 | 2018-08-17 | 广州兴森快捷电路科技有限公司 | 线路板的良品率预测方法 |
CN109523086A (zh) * | 2018-11-26 | 2019-03-26 | 浙江蓝卓工业互联网信息技术有限公司 | 基于随机森林的化工产品的质量预测方法及系统 |
CN109636026A (zh) * | 2018-12-07 | 2019-04-16 | 东华大学 | 一种基于深度学习模型的晶圆良率预测方法 |
-
2019
- 2019-05-21 CN CN201910424978.3A patent/CN110209542B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023060A (zh) * | 2015-07-10 | 2015-11-04 | 北京航空航天大学 | 融合制造设备退化信息的生产合格率预测方法 |
CN108416470A (zh) * | 2018-02-11 | 2018-08-17 | 广州兴森快捷电路科技有限公司 | 线路板的良品率预测方法 |
CN109523086A (zh) * | 2018-11-26 | 2019-03-26 | 浙江蓝卓工业互联网信息技术有限公司 | 基于随机森林的化工产品的质量预测方法及系统 |
CN109636026A (zh) * | 2018-12-07 | 2019-04-16 | 东华大学 | 一种基于深度学习模型的晶圆良率预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124855A (zh) * | 2019-11-29 | 2020-05-08 | 苏州浪潮智能科技有限公司 | 一种硬盘引入风险评估方法、系统及设备 |
CN115910190A (zh) * | 2022-12-05 | 2023-04-04 | 海光集成电路设计(北京)有限公司 | 芯片良率预测方法、装置及计算机可读存储介质 |
CN115910190B (zh) * | 2022-12-05 | 2023-08-18 | 海光集成电路设计(北京)有限公司 | 芯片良率预测方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110209542B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209542A (zh) | 一种基于朴素贝叶斯分类器的内存测试方法 | |
Shin et al. | Mixup-based classification of mixed-type defect patterns in wafer bin maps | |
US20220172070A1 (en) | Method and apparatus for predicting yield of semiconductor devices | |
US6973390B2 (en) | Method and system for analyzing wafer yield against uses of a semiconductor tool | |
Ram et al. | Modeling multiple-input switching in timing analysis using machine learning | |
Song et al. | Pattern reorder for test cost reduction through improved SVMRANK algorithm | |
CN106681905A (zh) | 软件测试装置及其软件测试方法 | |
CN110515836A (zh) | 一种面向软件缺陷预测的加权朴素贝叶斯方法 | |
CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
Najafi-Haghi et al. | On extracting reliability information from speed binning | |
CN108986786A (zh) | 语音交互设备评级方法、系统、计算机设备和存储介质 | |
CN108763092A (zh) | 一种基于交叉验证的代码缺陷检测方法及装置 | |
Vargas et al. | Artificial Neural Network Accelerator for Classification of In-Field Conducted Noise in Integrated Circuits' DC Power Lines | |
US20130283223A1 (en) | Enabling statistical testing using deterministic multi-corner timing analysis | |
CN111291820B (zh) | 一种结合定位信息和分类信息的目标检测方法 | |
US11520831B2 (en) | Accuracy metric for regular expression | |
Hsieh et al. | An error rate based test methodology to support error-tolerance | |
Xama et al. | Machine learning-based defect coverage boosting of analog circuits under measurement variations | |
Chen et al. | A machine learning-based approach for failure prediction at cell level based on wafer acceptance test parameters | |
Berács et al. | Effect of the business environment on market orientation and performance in an emerging country | |
CN111625441A (zh) | 一种基于测地线流式核的无监督异构缺陷预测方法 | |
CN109036390A (zh) | 一种基于集成梯度提升机的广播关键字识别方法 | |
Chung et al. | Clinical knowledge graph embedding representation bridging the gap between electronic health records and prediction models | |
Huang et al. | Globality-locality consistent discriminant analysis for phone classification | |
Baek et al. | Contrastive deep clustering for detecting new defect patterns in wafer bin maps |
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 |