CN111209949B - 样本密度分布的相似判定方法、装置、电子设备及存储介质 - Google Patents
样本密度分布的相似判定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111209949B CN111209949B CN202010001666.4A CN202010001666A CN111209949B CN 111209949 B CN111209949 B CN 111209949B CN 202010001666 A CN202010001666 A CN 202010001666A CN 111209949 B CN111209949 B CN 111209949B
- Authority
- CN
- China
- Prior art keywords
- density distribution
- sample
- density
- similarity
- nitride
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 290
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 150000004767 nitrides Chemical class 0.000 claims abstract description 151
- 238000005259 measurement Methods 0.000 claims description 93
- 230000015654 memory Effects 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 34
- 230000000630 rising effect Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 16
- 235000012431 wafers Nutrition 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000252073 Anguilliformes Species 0.000 description 2
- 238000005430 electron energy loss spectroscopy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000000680 secondary ion mass spectrometry imaging Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007334 memory performance Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本公开提供的样本密度分布的相似判定方法、装置、电子设备及存储介质,通过采用了分别获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布,随后,根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度,最后,根据相似度输出相似判定结果,本公开输出的相似判定结果是基于多个相同测量深度下的密度确定的,其与现有的通过人工经验判断样本之间的密度分布相似程度而得到分析判定结果的方式来说,客观性更强,结果的稳定性也更强。
Description
技术领域
本公开涉及三维存储器制造领域,尤其涉及一种样本密度分布的相似判定方法、装置、电子设备及存储介质。
背景技术
为了克服二维存储器的限制,业界已经研发出具有三维结构的存储器,通过将存储器单元三维布置在衬底上,以提高存储器的集成密度,形成三维存储器。现有的三维存储器结构中,闪存器的氮化物密度分布是决定闪存器存储质量的重要因素,对于其密度分布进行测量和相似分析,则成为提高产品质量的有效手段。
在现有技术中,对于闪存器的氮化物密度分布分析是基于人工比对实现的,即通过人工经验判断闪存器的氮化物目标样本与标准样本之间的密度分布相似程度,以得到分析结果。
但是,这样的判定方式主观性较强,分析结果的客观性不足,稳定性也不高。
发明内容
针对上述技术问题,本公开提供了一种样本密度分布的相似判定方法、装置、电子设备及存储介质。
第一方面,本公开提供了一种样本密度分布的相似判定方法,包括:
分别获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布;其中,密度分布表示氮化物样本在不同测量深度下的密度;
根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度;
根据相似度输出相似判定结果。
在可选实施例中,该方法还包括:
获得第一密度分布和第二密度分布在相同测量深度范围内的待分析区间;
相应的,所述根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度,包括:
在待分析区间内,根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度。
在可选实施例中,所述获得第一密度分布和第二密度分布在相同测量深度范围内的待分析区间,包括:
分别确定第一密度分布和第二密度分布的密度变化的上升点和下降点;
根据第一密度分布和第二密度分布的上升点和下降点所组成的最大测量深度范围,构成所述待分析区间的测量深度范围。
在可选实施例中,所述分别确定第一密度分布和第二密度分布的密度变化的上升点和下降点,包括:
对所述第一密度分布和第二密度分布进行一阶导数运算和近似二阶导数运算;
将第一密度分布和第二密度分布的所述近似二阶导数运算中,正负值转变点所对应的测量深度值作为所述上升点,将所述第一密度分布和第二密度分布的一阶导数运算中的最小值点所对应的测量深度值作为所述下降点。
在可选实施例中,该方法,还包括:
对待分析区间的测量深度范围进行均分处理,以获得多个子区间;
将每一子区间的平均测量深度作为各所述相同测量深度,以获取第一密度分布与第二密度分布在每一子区间的平均测量深度下的密度和密度差。
在可选实施例中,所述根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度,包括:
获取第一密度分布与第二密度分布在多个相同测量深度下的密度,并计算获得每一相同测量深度下的第一密度分布与第二密度分布之间的密度差;
计算每一密度差的绝对值与之相应的测量深度的乘积,并对各乘积求和,获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值;
根据所述面积差值计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
在可选实施例中,所述根据所述面积差值计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度,包括:
获得归一化常数与待分析区间的测量深度宽度的乘积;其中所述归一化常数是测量深度常数与密度常数之积与区间归一化常数的比值;
计算所述面积差值与所述乘积的商值,并获得所述商值的负值;
利用常数指数函数对所述商值的复值进行计算,获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
第二方面,本公开提供了一种样本密度分布的相似判定装置,包括:
数据接口模块,用于获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布;其中,密度分布表示氮化物样本在不同测量深度下的密度;
处理模块,用于根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度;
处理模块还用于根据相似度确定相似判定结果,以供所述数据接口模块输出所述相似判定结果。
在可选实施例中,处理模块还用于:获得第一密度分布和第二密度分布在相同测量深度范围内的待分析区间;在待分析区间内,根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度。
在可选实施例中,所述处理模块具体用于:分别确定第一密度分布和第二密度分布的密度变化的上升点和下降点;根据第一密度分布和第二密度分布的上升点和下降点所组成的最大测量深度范围,构成所述待分析区间的测量深度范围。
在可选实施例中,所述处理模块,具体用于包括:对所述第一密度分布和第二密度分布进行一阶导数运算和近似二阶导数运算;将第一密度分布和第二密度分布的所述近似二阶导数运算中,正负值转变点所对应的测量深度值作为所述上升点,将所述第一密度分布和第二密度分布的一阶导数运算中的最小值点所对应的测量深度值作为所述下降点。
在可选实施例中,所述处理模块还用于:
对待分析区间的测量深度范围进行均分处理,以获得多个子区间;将每一子区间的平均测量深度作为各所述相同测量深度,以获取第一密度分布与第二密度分布在每一子区间的平均测量深度下的密度和密度差。
在可选实施例中,所述处理模块具体用于:获取第一密度分布与第二密度分布在多个相同测量深度下的密度,并计算获得每一相同测量深度下的第一密度分布与第二密度分布之间的密度差;计算每一密度差的绝对值与之相应的测量深度的乘积,并对各乘积求和,获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值;根据所述面积差值计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
在可选实施例中,所述处理模块具体用于:获得归一化常数与待分析区间的测量深度宽度的乘积;其中所述归一化常数是测量深度常数与密度常数之积与区间归一化常数的比值;计算所述面积差值与所述乘积的商值,并获得所述商值的负值;利用常数指数函数对所述商值的复值进行计算,获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
第三方面,本公开提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一项所述的方法。
第四方面,一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行前述任一项所述的方法。
本公开提供的样本密度分布的相似判定方法、装置、电子设备及存储介质,通过采用了分别获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布,随后,根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度,最后,根据相似度输出相似判定结果,本公开输出的相似判定结果是基于多个相同测量深度下的密度确定的,其与现有的通过人工经验判断样本之间的密度分布相似程度而得到分析判定结果的方式来说,客观性更强,结果的稳定性也更强。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本公开提供的一种网络架构的示意图;
图2为本公开提供的一种样本密度分布的相似判定方法的流程示意图;
图3为本公开提供的样本密度分布的示意图;
图4为本公开提供的另一种样本密度分布的相似判定方法的流程示意图;
图5为本公开提供的一种密度分布的示意图;
图6为本公开提供的另一种密度分布的示意图;
图7为本公开提供的再一种密度分布的示意图;
图8为本公开提供的一种样本密度分布的相似判定装置的结构示意图;
图9为根据本公开实施例的相似判定方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为了克服二维存储器的限制,业界已经研发出具有三维结构的存储器,通过将存储器单元三维布置在衬底上,以提高存储器的集成密度,形成三维存储器。其中,三维存储器结构的闪存器是影响三维存储器存储性能的重要器件,其一般由氮化物制备而成。而对于闪存器来说,其氮化物密度分布是决定闪存器存储质量的重要因素。
为了提高闪存器存储质量,无论是在研发过程中还是在量产阶段,都需要一个对于闪存器的氮化物样本进行样本相似性评估的指标。在量产阶段,开发人员可对量产得到的闪存器与标准闪存器之间的氮化物样本的相似性确定量产得的闪存器的存储质量是否达标,以保证量产闪存器的质量可靠且稳定;在研发阶段,开发人员可对研发中的闪存器与标准闪存器之间的氮化物样本的相似性调整对研发中的闪存器的研发方向进行调整,以得到质量更高的产品。
在现有技术中,对于闪存器的氮化物密度分布分析是基于人工比对实现的,即通过人眼观察氮化物目标样本与标准样本之间的密度分布的相似程度,手工在两个密度分布上标注密度差分值,并将得到密度差分值与预设的密度差分阈值进行比较,以得出两个样本之间匹配或不匹配的结论。
一方面来说,密度差分阈值本身即为经验参数,其较为主观,这使得不同的开发人员基于同样的两个样本进行相似度评判时,基于不同经验参数得出的不同样本之间匹配或不匹配的结论。
另一方面,对于密度差分值是由开发人员手工标注的,而不同的开发人员对于相同的密度分布可能存在不同的标注方式,这也使得针对相同的两个样本进行相似度判定时,得到不同的判定结果。
也就是说,现有的样本密度分布的相似判定方法的主观性较强,分析结果的客观性不足,稳定性也不高。
针对上述问题,在本公开提供的样本密度分布的相似判定方法、装置、电子设备及存储介质中,不再依赖人工对于密度分布进行密度差分值的标注,以及与密度差分阈值之间的比对,而是采用固定的算法确定两个密度分布在相同测量深度下的密度,进而获得相似度和相似判定结果,其相对于现有技术中的人工标注的方式来说,其输出的相似判定结果更为客观,结果的稳定性也更高。
图1为本公开提供的一种网络架构的示意图,如图1所示的,本公开提供的样本密度分布的相似判定方法可适用于需要对两个氮化物样本的密度分布之间的相似度或相似性进行分析的各种应用场景,特别适用于三维存储器中对于制备闪存器过程中的计量工艺中。其中,图1所示的网络架构可包括有样本密度分布的相似判定装置1、测量设备2以及网络。其中,样本密度分布的相似判定装置1具体可架设在云端的服务器或服务器集群中,也可加载于本地计算机或本地服务器中。测量设备2具体可为用于测量氮化物样本的密度分布的设备,如基于EELS成像技术或SIMS成像技术的测量设备等。通过网络,样本密度分布的相似判定装置1可与测量设备2进行数据交互,以使样本密度分布的相似判定装置1接收测量设备2测量得到的密度分布并采用样本密度分布的相似判定方法并输出相似判定结果。
需要说明的是,图1所示方式仅为本公开提供的其中一种网络架构方式,基于不同的应用场景,其架构将存在相应变化。
第一方面,本公开提供了一种样本密度分布的相似判定方法,图2为本公开提供的一种样本密度分布的相似判定方法的流程示意图。如图2所示的,该样本密度分布的相似判定方法包括:
步骤101、分别获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布;其中,密度分布表示氮化物样本在不同测量深度下的密度。
本公开示例所提供的样本密度分布的相似判定方法的执行主体为图1所示的样本密度分布的相似判定装置,其中,该样本密度分布的相似判定装置具体可由多种类型的硬件器件组成,如处理器,通信器等等。
具体来说,图3为本公开提供的样本密度分布的示意图,如图3所示的,本公开中涉及到的样本密度分布是通过测量设备对于闪存器中ONO结构中的电荷陷阱氮化物层的晶圆进行取样测量获得的,其一般需要对晶圆进行剖面,以使剖面垂直晶圆的中心轴。通过EELS或SIMS成像技术,测量设备将测量获得在该剖面上沿穿过中心轴的测量线分布的密度,并形成如图3所示的密度分布,其中,图3所示的密度分布表示氮化物样本在不同测量深度下的密度,测量深度是指在测量线上测量点与晶圆中心点之间的距离,密度则是指在该测量点获得的密度。
在本公开示例中,为了确定两个样本之间的相似度,样本密度分布的相似判定装置需要分别获取待处理的两个样本,即第一氮化物样本和第二氮化物样本的密度分布。需要说明的是,该样本密度分布的相似判定装置获取到的密度分布可为由测量设备测量的,也可为预先存储或预先绘制的,例如,通过计算机拟合算法或样本密度分布仿真等技术,获得的样本的标准密度分布或理想密度分布等,本公开对此不进行限制;当然,其第一密度分布和第二密度分布也可均由测量设备测量采集得到,并通过测量设备利用网络传输给样本密度分布的相似判定装置,以供其处理。
步骤102、根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度。
步骤103、根据相似度输出相似判定结果。
一般来说,如图3所示的,第一密度分布和第二密度分布可表示在相同的坐标系中,而为了输出客观准确的相似判定结果,样本密度分布的相似判定装置将针对不同密度分布在相同测量深度下的密度进行比较,以根据比较解决确定两个氮化物样本之间的相似度。
具体来说,对于密度进行比较可采用差值法,即计算在相同测量深度下的密度差,其中,为了保证结果的准确,可对密度差进行绝对值处理。
然后,可计算每一密度差的绝对值与之相应的测量深度的乘积,并对各乘积求和,获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值。
再后,根据所述面积差值利用预定的相似算法,计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。一般来说,面积差值越大,其相似度越低;反之,面积差值越小,其相似度越高。
最后,基于相似度输出相似评价结果。
本公开提供的样本密度分布的相似判定方法,通过采用了分别获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布,随后,根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度,最后,根据相似度输出相似判定结果,本公开输出的相似判定结果是基于多个相同测量深度下的密度确定的,其与现有的通过人工经验判断样本之间的密度分布相似程度而得到分析判定结果的方式来说,客观性更强,结果的稳定性也更强。
为了进一步提高相似度的判定结果的准确性,在上述实施例的基础上,图4为本公开提供的另一种样本密度分布的相似判定方法的流程示意图,如图4所示的,该方法包括:
步骤201、分别获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布;其中,密度分布表示氮化物样本在不同测量深度下的密度。
步骤202、获得第一密度分布和第二密度分布在相同测量深度范围内的待分析区间。
其中,步骤201与前述的步骤101类似,在此不进行说明。与前述示例不同的是,本实施例中还包括有获得第一密度分布和第二密度分布在相同测量深度范围内的待分析区间的步骤。
具体来说,如图3所示的,由于密度分布是横坐标表示了测量深度,从密度分布上来看,其靠近晶圆中心的部分以及远离晶圆中心的部分的密度均较低,而从晶圆结构来讲,其晶圆中心和晶圆边缘对应的结构不为焦点结构,其不属于ONO结构中的氮化物层。因此,为了使得分析结果更为精准,在本实施例中,还将对密度分布进行处理,以得到可用于分析的待分析区间。
图5为本公开提供的一种密度分布的示意图,如图5所示的,为了确定待分析区间,可分别确定每个密度分布变化的上升点(如图5所示的A点)和下降点(如图5所示的B点),随后,该上升点A对应的测量深度值与下降点B对应的测量深度值所组成的测量深度范围,则为该密度分布的分析区间的测量深度范围。最后,将各密度分布的测量深度范围取范围合集,以构成本次分析的待分析区间的测量深度范围。
也就是说,样本密度分布的相似判定装置可分别确定第一密度分布和第二密度分布的密度变化的上升点和下降点。根据第一密度分布和第二密度分布的上升点和下降点所组成的最大测量深度范围,构成所述待分析区间的测量深度范围。
图6为本公开提供的另一种密度分布的示意图,如图6所示的,测量深度范围可表示为
其中,和/>分别为待分析区间的测量深度范围的边界测量深度值;d1,left和d2,left分别为第一密度分度和第二密度分布的上升点;d1,right和d2,right分别为第一密度分布和第二密度分布的下降点。
需要说明的是,对于上升点和下降点来说,其可理解为在整个密度分布中,局部上升最快点和最快下降点,在该二点之间之内的数据较为稳定,有效信息含量较高,而在该二点之外的数据可能存在噪音,有效信息较少。因此,将分析限制在此域中可以消除结尾处的噪声影响。此外,针对于上升点和下降点的确定可采用多种方式,如对密度分布进行求导处理:对所述第一密度分布和第二密度分布进行一阶导数运算和近似二阶导数运算;将第一密度分布和第二密度分布的所述近似二阶导数运算中,正负值转变点所对应的测量深度值作为所述上升点,将所述第一密度分布和第二密度分布的一阶导数运算中的最小值点所对应的测量深度值作为所述下降点。
步骤203、对待分析区间的测量深度范围进行均分处理,以获得多个子区间;
步骤204、将每一子区间的平均测量深度作为各所述相同测量深度,以获取第一密度分布与第二密度分布在每一子区间的平均测量深度下的密度和密度差。
步骤205、计算每一密度差的绝对值与之相应的测量深度的乘积,并对各乘积求和,获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值。
具体来说,步骤203-步骤205中,是获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值的一种具体实现方式。
图7为本公开提供的再一种密度分布的示意图,在本实施例中,当确定待分析区间之后,可首先对待分析区间的测量深度范围进行均分处理,以获得多个子区间。如图7所示的,可将待分析区间划分为20个子区间。
随后,将每一子区间的平均测量深度作为各相同测量深度,以获取第一密度分布与第二密度分布在每一子区间的平均测量深度下的密度和密度差。具体的,如前所述的,相似度与第一密度分布和第二密度分布之间的面积差值相关联,在本实施例中,可分别获得每一子区间内第一氮化物样本与第二氮化物样本的面积差值,再将各子区间相应的面积差值进行求和,以获得整个待分析区间对应的面积差值。也就是说,可利用公式(1)获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值:
其中,Am(S1,S2)表示第一氮化物样本S1和所述第二氮化物样本S2之间的密度分布的面积差值;m为子区间的数量;k为m个子区间中第k个子区间;为第k个子区间的测量深度范围对应的测量深度宽度;/>为第k个子区间在其测量深度差值对应的密度差。
其中,为了便于计算,针对每一子区间的面积差值可将该子区间对应的平均测量深度与和密度差进行相乘获得,即公式(1)可转变为公式(2),以利用公式(2)获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值:
其中,Am(S1,S2)表示第一氮化物样本S1和所述第二氮化物样本S2之间的密度分布的面积差值;m为子区间的数量;k为m个子区间中第k个子区间;为第k个子区间的平均测量深度;/>为第一氮化物样本在该平均测量深度下的密度值;为第二氮化物样本在该平均测量深度下的密度值;/>为第k个子区间的测量深度宽度。
因此,通过利用公式(2)可获得每一密度差的绝对值与之相应的测量深度的乘积并对各乘积求和,以获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值Am(S1,S2)。
步骤206、根据所述面积差值计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
步骤207、根据相似度输出相似判定结果。
具体来说,相似度可利用公式(3)计算获得:
其中,SSM(S1,S2)为所述第一氮化物样本和所述第二氮化物样本之间的相似度;Am(S1,S2)为一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值;为待分析区间的测量深度宽度;Cdepth为测量深度常数;Cdensity为密度常数;Cdomain为区间归一化常数。
也就是说,根据所述面积差值计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度,具体可采用如下方式获得:获得归一化常数与待分析区间的测量深度宽度的乘积;其中所述归一化常数是测量深度常数与密度常数之积与区间归一化常数的比值;计算所述面积差值与所述乘积的商值,并获得所述商值的负值;利用常数指数函数对所述商值的复值进行计算,获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
获得的SSM(S1,S2)的取值将在0到1之间,其可用于在工艺流程中用于对没有达到足够相似度的产品的标记,例如,如果所需的与标准样品的相似性选择为0.80,则任何小于0.80相似性的晶圆将被标记以进行分析,以确定晶圆相似度过低的原因。
在上述实施例的基础上,本实施例通过对于待分析区间的确定,以排除密度分布中噪音对于相似判定结果的影响,从而使得获得的相似判定结果的准确率更高。
第二方面,本公开提供了一种样本密度分布的相似判定装置,图8为本公开提供的一种样本密度分布的相似判定装置的结构示意图。
如图8所示的,该样本密度分布的相似判定装置包括:
数据接口模块10,用于获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布;其中,密度分布表示氮化物样本在不同测量深度下的密度;
处理模块20,用于根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度;
处理模块20还用于根据相似度确定相似判定结果,以供所述数据接口模块10输出所述相似判定结果。
在可选实施例中,处理模块20还用于:获得第一密度分布和第二密度分布在相同测量深度范围内的待分析区间;在待分析区间内,根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度。
在可选实施例中,所述处理模块20具体用于:分别确定第一密度分布和第二密度分布的密度变化的上升点和下降点;根据第一密度分布和第二密度分布的上升点和下降点所组成的最大测量深度范围,构成所述待分析区间的测量深度范围。
在可选实施例中,所述处理模块20,具体用于包括:对所述第一密度分布和第二密度分布进行一阶导数运算和近似二阶导数运算;将第一密度分布和第二密度分布的所述近似二阶导数运算中,正负值转变点所对应的测量深度值作为所述上升点,将所述第一密度分布和第二密度分布的一阶导数运算中的最小值点所对应的测量深度值作为所述下降点。
在可选实施例中,所述处理模块20还用于:
对待分析区间的测量深度范围进行均分处理,以获得多个子区间;将每一子区间的平均测量深度作为各所述相同测量深度,以获取第一密度分布与第二密度分布在每一子区间的平均测量深度下的密度和密度差。
在可选实施例中,所述处理模块20具体用于:获取第一密度分布与第二密度分布在多个相同测量深度下的密度,并计算获得每一相同测量深度下的第一密度分布与第二密度分布之间的密度差;计算每一密度差的绝对值与之相应的测量深度的乘积,并对各乘积求和,获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值;根据所述面积差值计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
在可选实施例中,所述处理模块20具体用于:获得归一化常数与待分析区间的测量深度宽度的乘积;其中所述归一化常数是测量深度常数与密度常数之积与区间归一化常数的比值;计算所述面积差值与所述乘积的商值,并获得所述商值的负值;利用常数指数函数对所述商值的复值进行计算,获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
本公开提供的样本密度分布的相似判定装置,通过采用了分别获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布,随后,根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度,最后,根据相似度输出相似判定结果,本公开输出的相似判定结果是基于多个相同测量深度下的密度确定的,其与现有的通过人工经验判断样本之间的密度分布相似程度而得到分析判定结果的方式来说,客观性更强,结果的稳定性也更强。
根据本公开的实施例,本公开还提供了一种电子设备和一种可读存储介质。
如图9所示,是根据本公开实施例的相似判定方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,该电子设备包括:一个或多个处理器901、存储器902,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本公开所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本公开所提供的相似判定方法。本公开的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本公开所提供的相似判定方法。
存储器902作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本公开实施例中的相似判定方法对应的程序指令/模块(例如,附图7所示的采集模块10、处理模块20和控制模块30)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的相似判定方法的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据相似判定方法的电子设备的使用所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动902、输入装置903和输出装置904可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与用于相似判定方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种样本密度分布的相似判定方法,其特征在于,包括:
分别获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布;其中,密度分布表示氮化物样本在不同测量深度下的密度;
根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度;
根据相似度输出相似判定结果;
根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度,包括:
计算获得每一相同测量深度下的第一密度分布与第二密度分布之间的密度差;
计算每一密度差的绝对值与之相应的测量深度的乘积,并对各乘积求和,获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值;
根据所述面积差值计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
2.根据权利要求1所述的样本密度分布的相似判定方法,其特征在于,还包括:
获得第一密度分布和第二密度分布在相同测量深度范围内的待分析区间;
相应的,所述根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度,包括:
在待分析区间内,根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度。
3.根据权利要求2所述的样本密度分布的相似判定方法,其特征在于,所述获得第一密度分布和第二密度分布在相同测量深度范围内的待分析区间,包括:
分别确定第一密度分布和第二密度分布的密度变化的上升点和下降点;
根据第一密度分布和第二密度分布的上升点和下降点所组成的最大测量深度范围,构成所述待分析区间的测量深度范围。
4.根据权利要求3所述的样本密度分布的相似判定方法,其特征在于,所述分别确定第一密度分布和第二密度分布的密度变化的上升点和下降点,包括:
对所述第一密度分布和第二密度分布进行一阶导数运算和近似二阶导数运算;
将第一密度分布和第二密度分布的所述近似二阶导数运算中,正负值转变点所对应的测量深度值作为所述上升点,将所述第一密度分布和第二密度分布的一阶导数运算中的最小值点所对应的测量深度值作为所述下降点。
5.根据权利要求2所述的样本密度分布的相似判定方法,其特征在于,还包括:
对待分析区间的测量深度范围进行均分处理,以获得多个子区间;
将每一子区间的平均测量深度作为各所述相同测量深度,以获取第一密度分布与第二密度分布在每一子区间的平均测量深度下的密度和密度差。
6.根据权利要求2-5任一项所述的样本密度分布的相似判定方法,其特征在于,所述计算获得每一相同测量深度下的第一密度分布与第二密度分布之间的密度差之前,所述方法还包括:
获取第一密度分布与第二密度分布在多个相同测量深度下的密度。
7.根据权利要求6所述的样本密度分布的相似判定方法,其特征在于,所述根据所述面积差值计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度,包括:
获得归一化常数与待分析区间的测量深度宽度的乘积;其中所述归一化常数是测量深度常数与密度常数之积与区间归一化常数的比值;
计算所述面积差值与所述乘积的商值,并获得所述商值的负值;
利用常数指数函数对所述商值的复值进行计算,获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
8.一种样本密度分布的相似判定装置,其特征在于,包括:
数据接口模块,用于获取第一氮化物样本的第一密度分布以及第二氮化物样本的第二密度分布;其中,密度分布表示氮化物样本在不同测量深度下的密度;
处理模块,用于根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度;
处理模块还用于根据相似度确定相似判定结果,以供所述数据接口模块输出所述相似判定结果;
所述处理模块具体用于:计算获得每一相同测量深度下的第一密度分布与第二密度分布之间的密度差;计算每一密度差的绝对值与之相应的测量深度的乘积,并对各乘积求和,获得第一氮化物样本和所述第二氮化物样本之间的密度分布的面积差值;根据所述面积差值计算获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
9.根据权利要求8所述的样本密度分布的相似判定装置,其特征在于,处理模块还用于:获得第一密度分布和第二密度分布在相同测量深度范围内的待分析区间;在待分析区间内,根据第一密度分布与第二密度分布在多个相同测量深度下的密度,确定第一氮化物样本和所述第二氮化物样本之间的相似度。
10.根据权利要求9所述的样本密度分布的相似判定装置,其特征在于,所述处理模块具体用于:分别确定第一密度分布和第二密度分布的密度变化的上升点和下降点;根据第一密度分布和第二密度分布的上升点和下降点所组成的最大测量深度范围,构成所述待分析区间的测量深度范围。
11.根据权利要求10所述的样本密度分布的相似判定装置,其特征在于,所述处理模块,具体用于包括:对所述第一密度分布和第二密度分布进行一阶导数运算和近似二阶导数运算;将第一密度分布和第二密度分布的所述近似二阶导数运算中,正负值转变点所对应的测量深度值作为所述上升点,将所述第一密度分布和第二密度分布的一阶导数运算中的最小值点所对应的测量深度值作为所述下降点。
12.根据权利要求9所述的样本密度分布的相似判定装置,其特征在于,所述处理模块还用于:
对待分析区间的测量深度范围进行均分处理,以获得多个子区间;将每一子区间的平均测量深度作为各所述相同测量深度,以获取第一密度分布与第二密度分布在每一子区间的平均测量深度下的密度和密度差。
13.根据权利要求9-12任一项所述的样本密度分布的相似判定装置,其特征在于,所述处理模块还用于:获取第一密度分布与第二密度分布在多个相同测量深度下的密度。
14.根据权利要求13所述的样本密度分布的相似判定装置,其特征在于,所述处理模块具体用于:获得归一化常数与待分析区间的测量深度宽度的乘积;其中所述归一化常数是测量深度常数与密度常数之积与区间归一化常数的比值;计算所述面积差值与所述乘积的商值,并获得所述商值的负值;利用常数指数函数对所述商值的复值进行计算,获得所述第一氮化物样本和所述第二氮化物样本之间的相似度。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010001666.4A CN111209949B (zh) | 2020-01-02 | 2020-01-02 | 样本密度分布的相似判定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010001666.4A CN111209949B (zh) | 2020-01-02 | 2020-01-02 | 样本密度分布的相似判定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209949A CN111209949A (zh) | 2020-05-29 |
CN111209949B true CN111209949B (zh) | 2023-08-01 |
Family
ID=70788627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010001666.4A Active CN111209949B (zh) | 2020-01-02 | 2020-01-02 | 样本密度分布的相似判定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209949B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222567B (zh) * | 2020-01-03 | 2023-06-23 | 长江存储科技有限责任公司 | 氮化物密度的相似性分析方法和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000895A (zh) * | 2005-12-09 | 2007-07-18 | 旺宏电子股份有限公司 | 一种堆叠非易失性存储元件及其制造方法 |
CN101005095A (zh) * | 2006-01-18 | 2007-07-25 | 三星电子株式会社 | 多位可存储非易失性存储器件 |
CN101883984A (zh) * | 2007-11-29 | 2010-11-10 | 普拉德研究及开发股份有限公司 | 确定井下流体中的氮浓度的方法和设备 |
CN102460706A (zh) * | 2009-04-22 | 2012-05-16 | 台湾积体电路制造股份有限公司 | 存储器单元、阵列、以及制造存储器单元的方法 |
CN108091657A (zh) * | 2017-12-27 | 2018-05-29 | 中国科学院长春光学精密机械与物理研究所 | 一种非易失性存储器单元、其制备方法及非易失性存储器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4951861B2 (ja) * | 2004-09-29 | 2012-06-13 | ソニー株式会社 | 不揮発性メモリデバイスおよびその製造方法 |
WO2017029576A1 (en) * | 2015-08-19 | 2017-02-23 | Semiconductor Energy Laboratory Co., Ltd. | Manufacturing method of semiconductor device |
-
2020
- 2020-01-02 CN CN202010001666.4A patent/CN111209949B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000895A (zh) * | 2005-12-09 | 2007-07-18 | 旺宏电子股份有限公司 | 一种堆叠非易失性存储元件及其制造方法 |
CN101005095A (zh) * | 2006-01-18 | 2007-07-25 | 三星电子株式会社 | 多位可存储非易失性存储器件 |
CN101883984A (zh) * | 2007-11-29 | 2010-11-10 | 普拉德研究及开发股份有限公司 | 确定井下流体中的氮浓度的方法和设备 |
CN102460706A (zh) * | 2009-04-22 | 2012-05-16 | 台湾积体电路制造股份有限公司 | 存储器单元、阵列、以及制造存储器单元的方法 |
CN108091657A (zh) * | 2017-12-27 | 2018-05-29 | 中国科学院长春光学精密机械与物理研究所 | 一种非易失性存储器单元、其制备方法及非易失性存储器 |
Also Published As
Publication number | Publication date |
---|---|
CN111209949A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209977B (zh) | 分类模型的训练和使用方法、装置、设备和介质 | |
US20210232964A1 (en) | Method and Apparatus for Evaluating Quantum Gate in Superconducting Circuit, Device and Storage Medium | |
CN111582375B (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
US10212058B2 (en) | System and method for detecting system's performance regression | |
CN112907128A (zh) | 基于ab测试结果的数据分析方法、装置、设备及介质 | |
CN111209949B (zh) | 样本密度分布的相似判定方法、装置、电子设备及存储介质 | |
CN111310840A (zh) | 数据融合处理方法、装置、设备和存储介质 | |
CN115790665B (zh) | 一种陀螺误差补偿方法、装置、电子设备及存储介质 | |
CN111260498A (zh) | 工艺参数检测方法、装置、电子设备及可读存储介质 | |
CN112241716A (zh) | 训练样本的生成方法和装置 | |
CN113657538B (zh) | 模型训练、数据分类方法、装置、设备、存储介质及产品 | |
CN106153046B (zh) | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 | |
CN116227674A (zh) | 一种基于在线更新模型的碳排放预测方法 | |
Semenishchev et al. | Two approaches to solving the problem of smoothing digital signals based on a combined criterion | |
CN114866437A (zh) | 一种节点检测方法、装置、设备及介质 | |
CN106777834B (zh) | 一种高精度的传递函数采样方法 | |
CN112269728B (zh) | 一种系统性能评估方法、装置、设备以及存储介质 | |
CN110222382A (zh) | 一种飞机坐标系优化拟合方法 | |
CN115602245B (zh) | 一种荧光图筛选的方法、装置、设备以及存储介质 | |
CN118225752A (zh) | 一种煤质检测方法、装置、电子设备和存储介质 | |
CN117197051A (zh) | 一种缺陷分级方法、装置、电子设备及存储介质 | |
CN117725834A (zh) | 坡度估计参数优化方法、装置、电子设备及存储介质 | |
CN118467579A (zh) | 一种数据库结构处理方法、装置、设备及存储介质 | |
CN117406562A (zh) | 曝光机电流补偿方法、装置、电子设备和存储介质 | |
CN116309737A (zh) | 图像配准方法、装置、设备及存储介质 |
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 |