CN110378490A - 基于改进鲸鱼算法优化支持向量机的半导体良率预测方法 - Google Patents

Abstract

本发明公开了一种基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，通过改进鲸鱼算法优化支持向量机中的核函数宽度因子和惩罚系数，改进了利用支持向量机对半导体良率预测过程中鲁棒性差的问题，同时避免了人为确定参数的不确定性，能够更好的适应不同场景；本发明中参数优化后的支持向量机通过挖掘芯片的测试信息，对其进行良率预测，在一定程度上减少了对成品测试的依赖，大大缩减了成本，提高了成品率。

Description

基于改进鲸鱼算法优化支持向量机的半导体良率预测方法

技术领域

本发明属于半导体良率预测技术领域，具体涉及一种基于鲸鱼算法优化支持向量机的半导体良率预测方法。

背景技术

在半导体技术领域中，良率(yield)和可靠性(reliablity)是影响半导体制造业的发展和盈利能力的两个重要因素。通常地，半导体器件的可靠性根据半导体器件制程结束后的测试结果进行计算获取。与此类似，半导体器件的良率也是在制成结束后的晶圆测试结果中才能够得到。

由于良率和可靠度是对盈利能力非常重要的因素，如何准确预测可靠性风险和良率是半导体器件制造者确保盈利的必要因素。

目前，对半导体良率的评估仅可以通过对经过整个制程的晶圆进行测试获得，或基于之前的经验获得。这会导致存在高风险的晶圆最终因发生风险而被废弃，进而导致半导体器件制作过程的成本增加。

支持向量机回归是基于统计学习理论的机器学习方法，其将低维空间的数据向量映射到高维空间，在高维空间进行类线性回归，其能有效解决样本数量少、维数高的非线性优化问题，能针对半导体良率进行有效预测。

发明内容

针对现有技术中的上述不足，本发明提供的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法解决了背景技术中的上述问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，包括以下步骤：

S1、获取半导体原始数据，并对其进行预处理，获得训练样本；

S2、将训练样本输入到支持向量机预测模型中，获得良率预测结果；

S3、根据良率预测结果，通过改进鲸鱼算法对支持向量机预测模型中的参数进行优化，获得优化后的支持向量机预测模型；

S4、将优化后的支持向量机预测模型作为半导体良率预测模型，并将待预测的半导体数据输入到半导体良率预测模型中，得到半导体良率预测结果。

进一步地，所述步骤S1中半导体原始数据包括半导体芯片在晶圆上的横坐标及纵坐标、高温测试下半导体集成电路内部第一个Word Line的电压、高温测试下对半导体芯片进行操作时的电压和低温测试下半导体芯片内部损坏的存储单元数量；

对半导体原始数据进行预处理的方法具体为：

修正和去除不规则的半导体数据，并对缺失的数据采用与其最邻近的3个数据进行均值修补。

进一步地，所述步骤S2中：

设训练样本为{(x_i,y_i),i＝1,2,...m}；其中，x_i为输入到支持向量机预测模型中的第i个训练样本向量，y_i为对应的支持向量机预测模型的输出向量，m为训练样本的数量；

所述支持向量机预测模型为：

式中，w为权值向量；

为非线性映射函数；

b为偏值；

其中，w和b满足：

式中，上标T为转置标识符；

y_i＝+1表示当输入训练样本x_i时，输出的良率预测结果为失效；

y_i＝-1表示当输入训练样本x_i时，输出的良率预测结果为未失效；

根据w和b的关系式得到：

其对应的核函数为高斯核K(x,y)：

式中，为目标为非线性映射函数的最小值；

ξ(i)为惩罚项系数；

C为最优惩罚系数；

x为输入的训练样本向量；

y为输出向量；

δ为核函数宽度因子。

进一步地，所述步骤S3具体为：

S31、将所有训练样本及其对应的良率预测结果作为一个鲸鱼群，设置鲸鱼群中鲸鱼个体的数量为、最大迭代次数为max_iter和鲸鱼群位置；

S32、初始化鲸鱼群位置，计算其中每个鲸鱼个体的适应度值并确定猎物位置；

S33、判断鲸鱼搜索概率值p是否满足p<0.5；

若是，则进入步骤S34；

若否，则进入步骤S35；

S34、判断鲸鱼探索性能随机数A是否满足|A|<1；

若是，则进入步骤S34-1；

若否，则进入步骤S34-2；

S34-1、按照鲸鱼算法中的围捕猎物过程对鲸鱼群的位置进行更新，并进入步骤S36；

S34-2、在鲸鱼攻击猎物过程中，随机选取鲸鱼群中的鲸鱼个体，对其位置进行更新，并进入步骤S36；

S35、对鲸鱼群中每个鲸鱼个体的位置进行更新，进入步骤S36；

S36、根据更新后的鲸鱼群对边界条件进行修正；

S37、依次计算鲸鱼群中边界条件范围内的鲸鱼个体的适应度值，并更新猎物位置，同时使迭代次数t增加1；

S38、判断当前迭代次数t是否满足t>max_iter；

若是，则进入步骤S39；

若否，则返回步骤S33；

S39、将当前猎物位置对应的适应度值作为改进鲸鱼算法的最优解，作为支持向量机预测模型中优化后的参数，进而获得优化后的支持向量机预测模型。

进一步地，所述步骤S32中，初始化鲸鱼群位置x_ij的公式为：

x_ij＝β(x_up-x_down)+x_down

式中，x_ij为鲸鱼群中鲸鱼个体i的当前位置编号为j，其中，i＝1,2,3,...,N，j＝1,2,3,...,n，n为鲸鱼个体位置编号中的最大编号；

β为混沌随机数，且其取值范围为0-1；

[x_up,x_down]为鲸鱼群位置x_ij的定义域，x_up为定义域的上限，x_down为定义域的下限；

所述步骤S32中的鲸鱼个体的适应度值的计算公式为：

式中，w₀为鲸鱼个体i对应的权值向量；

C₀为鲸鱼个体i对应的最优惩罚系数；

ξ₀(i)为鲸鱼个体i对应的惩罚项函数；

所述步骤S32中，确定猎物位置的方法具体为：

对鲸鱼个体的适应度值按从大到小的顺序进行排序，将最大适应度值对应的鲸鱼个体作为猎物。

进一步地，所述步骤S34-1中对鲸鱼群的位置进行更新的更新式为：

式中，为当前迭代次数t下更新后的鲸鱼群位置；

为当前迭代次数t下更新前的鲸鱼群最佳位置；

为鲸鱼群探索性能随机数对应的向量；

为更新步长向量，且其中，C_a为鲸鱼群开发性能随机数，为当前迭代次数下更新前的鲸鱼群位置。

进一步地，所述步骤S34-2中对鲸鱼个体位置进行更新的更新式为：

式中，为随机选择的鲸鱼个体位置；

rand为随机向量；

Levy为莱维飞行步长。

进一步地，所述步骤S35中对鲸鱼群中每个鲸鱼个体位置进行更新的更新式为：

式中，e^bl为螺旋攻击步长，其中，b为在鲸鱼群进行螺旋攻击时，螺旋攻击路径形状的决定常数，l为[-1,1]之间的随机数。

进一步地，所述步骤S36中的边界条件为每项半导体原始数据对应的取值范围；

其中，半导体芯片在晶圆上的横坐标的取值范围为5～49；

半导体芯片在晶圆上的纵坐标的取值范围为5～27；

高温测试下半导体集成电路内部第一个Word Line的电压的取值范围为0～1455；

高温测试下对半导体芯片进行操作时的电压的取值范围为0～3703；

低温测试下半导体芯片内部损坏的存储单元数量的取值范围为2328～146688；

其中，对边界条件进行修正的方法具体为：

判断更新后的鲸鱼群位置是否超过边界条件对应的取值范围内；

若是，将超过取值范围上限的取值作为新的边界条件上限，将超过取值范围下限的取值作为新的边界条件下限；

若否，则保持原边界条件。

进一步地，所述步骤S37中更新猎物位置的方法具体为：

在边界条件范围内，依次计算每个鲸鱼个体的适应度值，并将其与前一最优适应度值比较，将其中较大适应度值对应的鲸鱼个体作为更新后猎物；

所述步骤S39中，支持向量机预测模型中需要优化的参数包括最优惩罚系数和核函数宽度因子；

其中，猎物对应的适应度值中的C₀作为支持向量机预测模型中最优惩罚系数，其对应核函数的中的核函数宽度因子作为支持向量机中的核函数宽度因子。

本发明的有益效果：

本发明提供的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，通过改进鲸鱼算法优化支持向量机中的核函数宽度因子和惩罚系数，改进了利用支持向量机对半导体良率预测过程中鲁棒性差的问题，同时避免了人为确定参数的不确定性，能够更好的适应不同场景；本发明中参数优化后的支持向量机通过挖掘芯片的测试信息，对其进行良率预测，在一定程度上减少了对成品测试的依赖，大大缩减了成本，提高了成品率。

附图说明

图1为本发明提供的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法流程图。

图2为本发明中鲸鱼螺旋泡沫网攻击过程示意图。

图3为本发明提供的优化支持向量机预测模型参数方法流程图。

图4为本发明中在二维平面鲸鱼可能更新的位置示意图。

图5为本发明中二维平面鲸鱼收缩攻击示意图。

图6为本发明中二维平面鲸鱼旋转攻击示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，包括以下步骤：

S1、获取半导体原始数据，并对其进行预处理，获得训练样本；

S2、将训练样本输入到支持向量机预测模型中，获得良率预测结果；

S3、根据良率预测结果，通过改进鲸鱼算法对支持向量机预测模型中的参数进行优化，获得优化后的支持向量机预测模型；

S4、将优化后的支持向量机预测模型作为半导体良率预测模型，并将待预测的半导体数据输入到半导体良率预测模型中，得到半导体良率预测结果。

上述步骤S1中半导体原始数据如表1所示：

表1：半导体原始数据

对半导体原始数据进行预处理的方法具体为：

修正和去除不规则的半导体数据，并对缺失的数据采用与其最邻近的3个数据进行均值修补。

学习问题通常可以表示为对输入变量和输出变量之间的未知依赖关系求解，设上述步骤S2中的训练样本为{(x_i,y_i),i＝1,2,...m}；其中，x_i为输入到支持向量机预测模型中的第i个训练样本向量，y_i为对应的支持向量机预测模型的输出向量，m为训练样本的数量；因此，通过支持向量机预测模型寻找一个最优分类面，使所有训练样本距离该最优分类面的误差最小。

所述支持向量机预测模型为：

式中，w为权值向量；

为非线性映射函数；

b为偏值；

其中，w和b满足：

式中，上标T为转置标识符；

y_i＝+1表示当输入训练样本x_i时，输出的良率预测结果为失效；

y_i＝-1表示当输入训练样本x_i时，输出的良率预测结果为未失效；

根据w和b的关系式得到：

其对偶问题为：

式中，K<x_i,x_j>为核函数；

本发明中的核函数为高斯核K(x,y)：

式中，为目标为非线性映射函数的最小值；

ξ(i)为惩罚项系数；

C为最优惩罚系数；

x为输入的训练样本向量；

y为输出向量；

δ为核函数宽度因子。

上述步骤S3中的改进鲸鱼算法是通过模拟鲸鱼群体迁移觅食的过程来进行最优化搜索，鲸鱼算法利用随机或最佳搜索代理来追踪猎物狩猎轨迹，以及使用螺旋来模拟座头鲸的泡沫攻击机制。

鲸鱼是奇特的生物，它们被认为是世界上最大的哺乳动物，成年的鲸鱼可以长到30米长，180吨重。这种巨型哺乳动物大多被认为是食肉动物，它们从不睡觉，因为它们必须从还有表面呼吸，事实上，鲸鱼一半的大脑制水间，有意识的是，鲸鱼被认为是一种非常聪明的动物，具有情感。据研究，鲸鱼大脑的某些区域有类似于胡曼的梭形细胞，这些细胞负责人类判断、情感和社会行为。而鲸鱼的这些细胞数量是成年人类的两倍，这是它们聪明的主要原因。事实证明，鲸鱼可以像人类一样思考、学习、判断、交流，甚至变得情绪化，但显然聪明的程度要低的多。据观察，鲸鱼也能发展自己的方言，至于鲸鱼的社会行为，多为单独生活或分组生活，它们中的一些物种(虎鲸)可以整个生命周期都生活在一个家庭中，其种群中的座头鲸，它们采用独特的捕猎方法，这种觅食行为称为气泡网觅食法，当其靠近了猎物一定距离之后，其采用如图2所示的螺旋更新接近方式，其在远处的更新主要依照群体协作更新。

如图3所示，上述步骤S3具体为：

S31、将所有训练样本及其对应的良率预测结果作为一个鲸鱼群，设置鲸鱼群中鲸鱼个体的数量为N、最大迭代次数为max_iter和鲸鱼群位置；

S32、初始化鲸鱼群位置，计算其中每个鲸鱼个体的适应度值并确定猎物位置；

S33、判断鲸鱼搜索概率值p是否满足p<0.5；

若是，则进入步骤S34；

若否，则进入步骤S35；

S34、判断鲸鱼探索性能随机数A是否满足|A|<1；

若是，则进入步骤S34-1；

若否，则进入步骤S34-2；

S34-1、按照鲸鱼算法中的围捕猎物过程对鲸鱼群的位置进行更新，并进入步骤S36；

为更新步长向量，且其中，C_a为鲸鱼群开发性能随机数，为当前迭代次数下更新前的鲸鱼群位置；

S34-2、在鲸鱼攻击猎物过程中，随机选取鲸鱼群中的鲸鱼个体，对其位置进行更新，并进入步骤S36；

S35、对鲸鱼群中每个鲸鱼个体的位置进行更新，进入步骤S36；

S36、根据更新后鲸鱼群位置对边界条件进行修正；

S37、依次计算鲸鱼群中边界条件范围内的鲸鱼个体的适应度值，并更新猎物位置，同时使迭代次数t增加1；

S38、判断当前迭代次数t是否满足t>max_iter；

若是，则进入步骤S39；

若否，则返回步骤S33；

S39、将当前猎物位置对应的适应度值作为改进鲸鱼算法的最优解，作为支持向量机预测模型中优化后的参数，进而获得优化后的支持向量机预测模型。

在上述步骤S32中，在确定好自变量范围后，明确鲸鱼群游动范围后，鲸鱼群初始位置对鲸鱼算法寻优秀，收敛速度有较大的影响。鱼群分布越均匀，算法收敛性能总体趋好，对于一个多维函数，变量x_ij的定义域为[x_ijmin,x_ijmax]，鱼群位置按照下式进行初始化：

x_ij＝β(x_up-x_down)+x_down

式中，x_ij为鲸鱼群中鲸鱼个体i的当前位置编号为j，其中，i＝1,2,3,...,N，j＝1,2,3,...,n，n为鲸鱼个体位置编号中的最大编号；

β为混沌随机数，且其取值范围为0-1，其比rand随机数遍历性，随机性更强；

[x_up,x_down]为鲸鱼群位置x_ij的定义域，x_up为定义域的上限，x_down为定义域的下限；

所述步骤S32中的鲸鱼个体的适应度值的计算公式为：

式中，w₀为鲸鱼个体i对应的权值向量；

C₀为鲸鱼个体i对应的最优惩罚系数；

ξ₀(i)为鲸鱼个体i对应的惩罚项函数；

其中，确定猎物位置的方法具体为：

对鲸鱼个体的适应度值按从大到小的顺序进行排序，将最大适应度值对应的鲸鱼个体作为猎物。

在上述步骤S34-1中，在围捕过程中，座头鲸能依据猎物气味识别猎物的位置并绕着它们旋转，以此接近目标，由于猎物的位置选择为种群中具有最佳适应度的座头鲸位置，在定义了当前猎物位置后，其他座头鲸搜索代理尝试想最佳搜索代理更新其位置。并按照下式开始更新：

式中，和分别为平衡鲸鱼搜索的探索和开发性能，在二维平面图中的更新示意如图4所示；

图4中的X^*和Y^*为猎物位置，若猎物位置为二维向量。通过不断向猎物位置靠近，以此不断优化适应度值。传统鲸鱼优化算法采用下式线性更新，其从2到0线性递减，为0-1之间的随机序列；

因此，对鲸鱼群的位置进行更新的更新式为：

式中，为当前迭代次数t下更新后的鲸鱼群位置；

为当前迭代次数t下更新前的鲸鱼群最佳位置；

为鲸鱼群探索性能随机数对应的向量；

为更新步长向量，且其中，C_a为鲸鱼群开发性能随机数，为当前迭代次数下更新前的鲸鱼群位置；

对于改进的鲸鱼算法，按照下式进行更新：

通过赏识的改进更新方式，其不再随着迭代次数线性更新，而是非线性更新，其在迭代过程中，值变换将不再那么均匀，并且可以改变τ值，从而改变随着迭代次数的分布。

上述步骤S34-2中为了对座头鲸的气泡攻击行为进行数学建模，设计了以下两种方法：

1)收缩攻击行为：

通过参数随迭代次数的改变，将不停的地改变，为[-α,α]之间的随机变量，通过参数的不停迭代改变，鲸鱼群位置将遍历猎物和鲸鱼群之间的空间位置，(X^*,Y^*)为猎物位置，其示意图如图5所示；

其每一维位置由A决定是靠近还是远离猎物；

2)旋转位置更新：

鲸鱼围攻猎物时，除了可以按照图5进行收缩攻击外，还可以按照图6进行螺旋攻击，(X^*,Y^*)为猎物位置；

旋转攻击的位置更新式为：

上式，b为常数决定，螺旋路径的形状，l为[-1,1]之间的随机数，其计算公式如下：l＝(α-1)*rand+1，·表示点积。

对于鲸鱼群个体来说，其以百分之50的几率进行收缩攻击，有百分之50的几率进行旋转攻击。

因此，在鲸鱼攻击过程中，对鲸鱼个体位置进行更新的更新式为：

式中，为随机选择的鲸鱼个体位置；

rand为随机向量；

Levy为莱维飞行步长。

上述步骤S35中，鲸鱼个体的搜索过程取决于的取值，鲸鱼群个体不管按照最优种群个体更新自己的位置，而且还按照相邻种群个体更新自己的位置，如果大于1或者小于-1，则此时鲸鱼群远离参考个体，此时更加考虑种群寻优的全局最优；为了进一步过大搜索猎物过程中的遍历性，采用结合莱维飞行来扩大搜索范围，莱维飞行以其大概率小步长运行，小概率大范围运行的特性，作为随机游走的代表性分布，通过蒙特罗纳模拟生成满足莱维分布的随机数，Levy(λ)为服从参数λ，其更新公式如下：

Levy～u＝t^-λ

其将按照下式生成：

其中，μ，ν服从参数为δ_μ，δ_ν的正态分布，

δ_ν＝1,β＝1.5

因此，对鲸鱼群中每个鲸鱼个体位置进行更新的更新式为：

式中，e^bl为螺旋攻击步长，其中，b为在鲸鱼群进行螺旋攻击时，螺旋攻击路径形状的决定常数，l为[-1,1]之间的随机数。

上述步骤S36中的边界条件为每项半导体原始数据对应的取值范围，其具体取值范围如表1所示；

其中，对边界条件进行修正的方法具体为：

判断更新后的鲸鱼群位置是否超过边界条件对应的取值范围内；

若是，将超过取值范围上限的取值作为新的边界条件上限，将超过取值范围下限的取值作为新的边界条件下限；

若否，则保持原边界条件。

上述步骤S37中更新猎物位置的方法具体为：

在边界条件范围内，依次计算每个鲸鱼个体的适应度值，并将其与前一最优适应度值比较，将其中较大适应度值对应的鲸鱼个体作为更新后猎物；

所述步骤S39中，支持向量机预测模型中需要优化的参数包括最优惩罚系数和核函数宽度因子；

其中，猎物对应的适应度值中的C₀作为支持向量机预测模型中最优惩罚系数，其对应核函数的中的核函数宽度因子作为支持向量机中的核函数宽度因子。

本发明的有益效果：

本发明提供的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，通过改进鲸鱼算法优化支持向量机中的核函数宽度因子和惩罚系数，改进了利用支持向量机对半导体良率预测过程中鲁棒性差的问题，同时避免了人为确定参数的不确定性，能够更好的适应不同场景；本发明中参数优化后的支持向量机通过挖掘芯片的测试信息，对其进行良率预测，在一定程度上减少了对成品测试的依赖，大大缩减了成本，提高了成品率。

Claims (10)

1.一种基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，其特征在于，包括以下步骤：

S1、获取半导体原始数据，并对其进行预处理，获得训练样本；

S2、将训练样本输入到支持向量机预测模型中，获得良率预测结果；

S3、根据良率预测结果，通过改进鲸鱼算法对支持向量机预测模型中的参数进行优化，获得优化后的支持向量机预测模型；

S4、将优化后的支持向量机预测模型作为半导体良率预测模型，并将待预测的半导体数据输入到半导体良率预测模型中，得到半导体良率预测结果。

2.根据权利要求1所述的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，其特征在于，

所述步骤S1中半导体原始数据包括半导体芯片在晶圆上的横坐标及纵坐标、高温测试下半导体集成电路内部第一个Word Line的电压、高温测试下对半导体芯片进行操作时的电压和低温测试下半导体芯片内部损坏的存储单元数量；

对半导体原始数据进行预处理的方法具体为：

修正和去除不规则的半导体数据，并对缺失的数据采用与其最邻近的3个数据进行均值修补。

3.根据权利要求1所述的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，其特征在于，所述步骤S2中：

设训练样本为{(x_i,y_i),i＝1,2,...m}；其中，x_i为输入到支持向量机预测模型中的第i个训练样本向量，y_i为对应的支持向量机预测模型的输出向量，m为训练样本的数量；

所述支持向量机预测模型为：

式中，w为权值向量；

为非线性映射函数；

b为偏值；

其中，w和b满足：

式中，上标T为转置标识符；

y_i＝+1表示当输入训练样本x_i时，输出的良率预测结果为失效；

y_i＝-1表示当输入训练样本x_i时，输出的良率预测结果为未失效；

根据w和b的关系式得到：

其对应的核函数为高斯核K(x,y)：

式中，为目标为非线性映射函数的最小值；

ξ(i)为惩罚项系数；

C为最优惩罚系数；

x为输入的训练样本向量；

y为输出向量；

δ为核函数宽度因子。

4.根据权利要求3所述的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，其特征在于，所述步骤S3具体为：

S31、将所有训练样本及其对应的良率预测结果作为一个鲸鱼群，设置鲸鱼群中鲸鱼个体的数量为N、最大迭代次数为max_iter和鲸鱼群位置；

S32、初始化鲸鱼群位置，计算其中每个鲸鱼个体的适应度值并确定猎物位置；

S33、判断鲸鱼搜索概率值p是否满足p<0.5；

若是，则进入步骤S34；

若否，则进入步骤S35；

S34、判断鲸鱼探索性能随机数A是否满足|A|<1；

若是，则进入步骤S34-1；

若否，则进入步骤S34-2；

S34-1、按照鲸鱼算法中的围捕猎物过程对鲸鱼群的位置进行更新，并进入步骤S36；

S34-2、在鲸鱼攻击猎物过程中，随机选取鲸鱼群中的鲸鱼个体，对其位置进行更新，并进入步骤S36；

S35、对鲸鱼群中每个鲸鱼个体的位置进行更新，进入步骤S36；

S36、根据更新后的鲸鱼群对边界条件进行修正；

S37、依次计算鲸鱼群中边界条件范围内的鲸鱼个体的适应度值，并更新猎物位置，同时使迭代次数t增加1；

S38、判断当前迭代次数t是否满足t>max_iter；

若是，则进入步骤S39；

若否，则返回步骤S33；

S39、将当前猎物位置对应的适应度值作为改进鲸鱼算法的最优解，作为支持向量机预测模型中优化后的参数，进而获得优化后的支持向量机预测模型。

5.根据权利要求4所述的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，其特征在于，所述步骤S32中，初始化鲸鱼群位置x_ij的公式为：

x_ij＝β(x_up-x_down)+x_down

式中，x_ij为鲸鱼群中鲸鱼个体i的当前位置编号为j，其中，i＝1,2,3,...,N，j＝1,2,3,...,n，n为鲸鱼个体位置编号中的最大编号；

β为混沌随机数，且其取值范围为0-1；

[x_up,x_down]为鲸鱼群位置x_ij的定义域，x_up为定义域的上限，x_down为定义域的下限；

所述步骤S32中的鲸鱼个体的适应度值的计算公式为：

式中，w₀为鲸鱼个体i对应的权值向量；

C₀为鲸鱼个体i对应的最优惩罚系数；

ξ₀(i)为鲸鱼个体i对应的惩罚项函数；

所述步骤S32中，确定猎物位置的方法具体为：

对鲸鱼个体的适应度值按从大到小的顺序进行排序，将最大适应度值对应的鲸鱼个体作为猎物。

6.根据权利要求4所述的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，其特征在于，所述步骤S34-1中对鲸鱼群的位置进行更新的更新式为：

式中，为当前迭代次数t下更新后的鲸鱼群位置；

为当前迭代次数t下更新前的鲸鱼群最佳位置；

为鲸鱼群探索性能随机数对应的向量；

为更新步长向量，且其中，C_a为鲸鱼群开发性能随机数，为当前迭代次数下更新前的鲸鱼群位置。

7.根据权利要求6所述的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，所述步骤S34-2中对鲸鱼个体位置进行更新的更新式为：

式中，为随机选择的鲸鱼个体位置；

rand为随机向量；

Levy为莱维飞行步长。

8.根据权利要求7所述的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，其特征在于，所述步骤S35中对鲸鱼群中每个鲸鱼个体位置进行更新的更新式为：

式中，e^bl为螺旋攻击步长，其中，b为在鲸鱼群进行螺旋攻击时，螺旋攻击路径形状的决定常数，l为[-1,1]之间的随机数。

9.根据权利要求8所述的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，其特征在于，所述步骤S36中的边界条件为每项半导体原始数据对应的取值范围；

其中，半导体芯片在晶圆上的横坐标的取值范围为5～49；

半导体芯片在晶圆上的纵坐标的取值范围为5～27；

高温测试下半导体集成电路内部第一个Word Line的电压的取值范围为0～1455；

高温测试下对半导体芯片进行操作时的电压的取值范围为0～3703；

低温测试下半导体芯片内部损坏的存储单元数量的取值范围为2328～146688；

其中，对边界条件进行修正的方法具体为：

判断更新后的鲸鱼群位置是否超过边界条件对应的取值范围内；

若是，将超过取值范围上限的取值作为新的边界条件上限，将超过取值范围下限的取值作为新的边界条件下限；

若否，则保持原边界条件。

10.根据权利要求要求9所述的基于改进鲸鱼算法优化支持向量机的半导体良率预测方法，其特征在于，所述步骤S37中更新猎物位置的方法具体为：

在边界条件范围内，依次计算每个鲸鱼个体的适应度值，并将其与前一最优适应度值比较，将其中较大适应度值对应的鲸鱼个体作为更新后猎物；

所述步骤S39中，支持向量机预测模型中需要优化的参数包括最优惩罚系数和核函数宽度因子；

其中，猎物对应的适应度值中的C₀作为支持向量机预测模型中最优惩罚系数，其对应核函数的中的核函数宽度因子作为支持向量机中的核函数宽度因子。