CN112101486B - 芯片筛选方法、装置、电子设备和可读存储介质 - Google Patents
芯片筛选方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112101486B CN112101486B CN202011275412.8A CN202011275412A CN112101486B CN 112101486 B CN112101486 B CN 112101486B CN 202011275412 A CN202011275412 A CN 202011275412A CN 112101486 B CN112101486 B CN 112101486B
- Authority
- CN
- China
- Prior art keywords
- chip
- test data
- distance
- performance
- chips
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2894—Aspects of quality control [QC]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明的实施例提供了一种芯片筛选方法、装置、电子设备和可读存储介质,涉及测试技术领域。本发明实施例提供的芯片筛选方法、装置、电子设备和可读存储介质,在获取各芯片的性能测试数据后,对各芯片的性能测试数据进行预处理,根据预处理后的各芯片的性能测试数据,对各芯片进行层次聚合,得到聚类簇的个数与距离的关系数据,在得到聚类簇的个数与距离的关系数据后,根据聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各芯片进行筛选,如此,实现了芯片的自动筛选分类,无需依赖于人员的经验,准确性高。
Description
技术领域
本发明涉及测试技术领域,具体而言,涉及一种芯片筛选方法、装置、电子设备和可读存储介质。
背景技术
芯片的生产均要经过检验和测试,其测试目的是挑选出合格的成品,然后根据芯片性能的参数指标对芯片进行筛选分级,以便于监督芯片的质量以及控制芯片的生产。
目前,芯片的筛选分级大多是依据设计师或者测试工程师的经验,因此,带有主观性且没有理论支撑,准确性不高,并且随着需要考虑的性能项数目增加,评估者很难对芯片进行分级。因此,如何有效地对芯片进行筛选分级是芯片测试中亟需解决的一个问题。
发明内容
基于上述研究,本发明提供了一种芯片筛选方法、装置、电子设备和可读存储介质,以改善上述问题。
本发明的实施例可以这样实现:
第一方面,本发明实施例提供一种芯片筛选方法,应用于电子设备,所述方法包括:
获取各芯片的性能测试数据,对各所述芯片的性能测试数据进行预处理;
根据预处理后的各所述芯片的性能测试数据,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据;
根据所述聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各所述芯片进行筛选。
在可选的实施方式中,根据预处理后的各所述芯片的性能测试数据,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据的步骤包括:
根据各所述芯片的性能测试数据,计算各所述芯片之间的距离;
根据各所述芯片之间的距离,采用AGNES算法,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据。
在可选的实施方式中,所述芯片的性能测试数据包括每个性能项目的测试数据,每个所述性能项目对应设置有性能权重;所述根据各所述芯片的性能测试数据,计算各所述芯片之间的距离的步骤包括:
针对每个所述芯片的每个所述性能项目,根据该芯片的该性能项目的测试数据,计算该性能项目与其他芯片对应相同的性能项目之间的距离;
针对每个所述芯片,根据该芯片的每个所述性能项目的性能权重,对该芯片的每个所述性能项目与其他芯片对应相同的性能项目之间的距离进行加权,得到该芯片与其他芯片的距离。
在可选的实施方式中,所述根据各所述芯片之间的距离,采用AGNES算法,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据的步骤包括:
根据各所述芯片之间的距离,采用AGNES算法,以设定的距离度量函数对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据;
在可选的实施方式中,所述对各所述芯片的性能测试数据进行预处理的步骤包括:
根据预先设定的坏点判定条件,对各所述芯片的性能测试数据进行坏点过滤;
对坏点过滤后的各所述芯片的性能测试数据进行归一化处理。
在可选的实施方式中,所述芯片的测试数据包括每个性能项目的每个频点的测试数据;所述根据预先设定的坏点判定条件,对各所述芯片的性能测试数据进行坏点过滤的步骤包括:
根据所有所述芯片的每个性能项目的每个频点的测试数据,计算得到每个所述性能项目的每个频点的测试数据的第一均值和第一方差;
针对每个所述芯片,若该芯片任一性能项目的任一频点的测试数据与该频点的测试数据的第一均值的距离大于该频点的测试数据的第一方差的设定倍数,则判定该芯片为坏点芯片,将该坏点芯片的性能测试数据进行筛除。
在可选的实施方式中,所述对坏点过滤后的各所述芯片的性能测试数据进行归一化处理的步骤包括:
计算坏点过滤后的每个性能项目的每个频点的测试数据的第二均值和第二方差;
其中,为归一化后的第j个芯片第K个性能项目第I个频点的测试数据;为第j个芯片第K个性能项目第I个频点的测试数据;为所有芯片在第K个性能项目第I个频点的测试数据的第二均值;为所有芯片在第K个性能项目第I个频点的测试数据的第二方差。
第二方面,本发明实施例提供一种芯片筛选装置,应用于电子设备,所述装置包括数据处理模块、数据聚合模块以及芯片筛选模块;
所述数据处理模块用于获取各芯片的性能测试数据,对各所述芯片的性能测试数据进行预处理;
所述数据聚合模块用于根据预处理后的各所述芯片的性能测试数据,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据;
所述芯片筛选模块用于根据所述聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各所述芯片进行筛选。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述实施方式任一项所述的芯片筛选方法。
第四方面,本发明实施例提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被执行时实现前述实施方式任一项所述的芯片筛选方法。
本发明实施例提供的芯片筛选方法、装置、电子设备和可读存储介质,在获取各芯片的性能测试数据后,对各芯片的性能测试数据进行预处理,根据预处理后的各芯片的性能测试数据,对各芯片进行层次聚合,得到聚类簇的个数与距离的关系数据,在得到聚类簇的个数与距离的关系数据后,根据聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各芯片进行筛选,如此,即可实现芯片的自动筛选分类,无需依赖于人员的经验,准确性高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本发明实施例所提供的电子设备的一种方框示意图。
图2为本发明实施例所提供的芯片筛选方法的一种流程示意图。
图3为本发明实施例所提供的聚类簇个数与距离关系图。
图4为本发明实施例所提供的芯片筛选的一种示意图。
图5为本发明实施例所提供的芯片筛选装置的一种方框示意图。
图标:100-电子设备;10-芯片筛选装置;11-数据处理模块;12-数据聚合模块;13-芯片筛选模块;20-存储器;30-处理器;40-通信单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
芯片的测试完成了芯片的功能和性能的评估,其具有一套成熟的测试检验过程,测试内容包括:数字性能测试、驻波测试、移相精度测试、衰减精度测试、收发增益测试、噪声测试等。
芯片测试的目的是挑选出合格的成品,以根据芯片性能的参数指标进行分级,同时记录各级的芯片数和各种参数的统计分布情况,使得质量管理部门可根据这些数据和信息监督产品的质量,生产管理部门可根据这些数据和信息控制芯片的生产。
但是芯片测试的项目多,性能评估较复杂,如何对芯片进行筛选、分级一直以来是芯片测试需要解决的一个问题。
芯片的筛选和分级一般是以一个或者多个性能参数(如噪声、增益、功耗等)作为依据。现今主要采用以下方式对这些参数的等级进行筛选:1)依据设计师或者测试工程师的经验进行筛选划分,该筛选划分方式,使得芯片的筛选带有主观性且没有理论支撑,准确性不高,且随着需要考虑的性能项数目增加,评估者很难对芯片进行分级。2)依据芯片测试结果的统计分布进行划分,但是芯片测试结果的统计分布很难进行描述,而且当需要考虑的性能项数目增加时,不同项目间以何作为合适的评判标准是一个问题。
请参考图1,本实施例提供了一种电子设备100,由电子设备100执行本实施例所提供的芯片筛选方法。可选地,电子设备100的具体类型不受限制,例如,可以是,但不限于,个人电脑(personal computer,PC)、平板电脑、个人数字助理(personal digitalassistant,PDA)、数据服务器等具有处理功能的设备。
如图1所示,本实施例所提供的电子设备100包括芯片筛选装置10、存储器20、处理器30和通信单元40。
所述存储器20、处理器30及通信单元40各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述芯片筛选装置10包括至少一个可以软件或固件(firmware)的形式存储于所述存储器20中或固化在所述电子设备100的操作系统(operating system,OS)中的软件功能模块。所述处理器30用于执行所述存储器20中存储的可执行模块,例如,所述可执行模块可以是所述芯片筛选装置10所包括的软件功能模块以及计算机程序等。
所述存储器20可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器20用于存储程序或者数据。
所述处理器30可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述通信单元40用于通过网络建立所述电子设备100与其他电子设备之间的通信连接,并用于通过所述网络收发数据。
可以理解,图1所示的结构仅为示意,所述电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
基于图1所示的电子设备的实现架构,请结合参阅图2,图2为本实施例所提供的芯片筛选方法的流程示意图,由本实施例所提供的电子设备执行。下面对图2所示的流程示意图进行详细阐述。
步骤S10:获取各芯片的性能测试数据,对各芯片的性能测试数据进行预处理。
步骤S20:根据预处理后的各芯片的性能测试数据,对各芯片进行层次聚合,得到聚类簇的个数与距离的关系数据。
步骤S30:根据聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各芯片进行筛选。
本实施例所提供的芯片筛选方法,在获取各芯片的性能测试数据后,对各芯片的性能测试数据进行预处理,然后根据预处理后的各芯片的性能测试数据对各芯片进行层次聚合,得到聚类簇的个数与距离的关系数据,根据聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各芯片进行筛选,即可实现芯片的自动筛选分类,无需依赖于人员的经验,准确性高,并且通过聚类簇的个数与距离的关系数据,如实地反映了芯片的性能分布,准确性高。
可选的,芯片的性能测试数据包括芯片在每个性能项目的每个频点进行测试的测试数据,即芯片的性能测试数据包括每个性能项目的每个频点的测试数据。
例如,待筛选的芯片数为N 0 ,进行了P个性能项目和M个频点测试,即每个芯片进行P个性能项目的测试,每个性能项目包括M个频点的测试。基于此,芯片的性能测试数据可以表示为:,其中,为频点的编号,为芯片的编号,k为性能项目编号。
由于在芯片制造的过程中,可能会存在芯片损坏的情况,而当芯片损坏时,该芯片的性能测试数据若被采用,则会引入较大误差,因此,在获取各芯片的性能测试数据,还需要对各芯片的性能测试数据进行过滤,以去除数据坏点。同时,为了便于设置测试项的衡量标准,以便于芯片的筛选与分级,还需要对各芯片的性能测试数据进行归一化处理。
因此,在本实施例中,对各芯片的性能测试数据进行预处理的步骤可以包括:
根据预先设定的坏点判定条件,对各芯片的性能测试数据进行坏点过滤。
对坏点过滤后的各芯片的性能测试数据进行归一化处理。
其中,通过设定的坏点判定条件,对各芯片的性能测试数据进行坏点过滤,即可筛除所有芯片中的坏点芯片。
可选的,在本实施例中,根据预先设定的坏点判定条件,对各芯片的性能测试数据进行坏点过滤的步骤包括:
根据所有芯片的每个性能项目的每个频点的测试数据,计算得到每个性能项目的每个频点的测试数据的第一均值和第一方差;
针对每个芯片,若该芯片任一性能项目的任一频点的测试数据与该频点的测试数据的第一均值的距离大于该频点的测试数据的第一方差的设定倍数,则判定该芯片为坏点芯片,将该坏点芯片的性能测试数据进行筛除。
其中,针对每个性能项目的每个频点,可先将所有芯片的该性能项目的该频点的测试数据进行求和,得到该性能项目的该频点的测试数据之和,然后基于所有芯片的数量进行平均,即可得到该性能项目的该频点的测试数据的平均值,即第一均值,在得到平均值后,即可得到该性能项目的该频点的测试数据的方差,即第一方差。
例如,对于第K个性能项目的第I个频点,可以先将所有芯片的第K个性能项目的第I个频点的测试数据进行求和,然后再除以芯片的总数量,即可得到第K个性能项目的第I个频点的测试数据的平均值,即第一均值。
在得到每个性能项目的每个频点的测试数据的第一均值和第一方差后,针对每个芯片,若该芯片任一性能项目的任一频点的测试数据与该频点的测试数据的第一均值的距离大于该频点的测试数据的第一方差的设定倍数,则判定该芯片为坏点芯片,将该坏点芯片的性能测试数据进行筛除。
其中,第一方差的设定倍数可以根据实际需要而设定,本实施例不做具体限定。可选的,在本实施例中,第一方差的设定倍数可以是3倍,当任一芯片的任一性能项目的任一频点的测试数据与该频点的测试数据的第一均值的距离大于该频点的测试数据的3倍方差时,则可以判定该芯片为坏点芯片。其中,任一频点的测试数据与该频点的测试数据的第一均值的距离可以是该频点的测试数据与第一均值的差值的绝对值。
例如,对于芯片J 0 的第K个性能项目的第I个频点,若存在,则判定芯片J 0 为数据坏点,移除芯片J 0 的数据。其中,为芯片J 0 的第K个性能项目的第I个频点的测试数据,为第K个性能项目的第I个频点的测试数据的均值,即第一均值,为第K个性能项目的第I个频点的测试数据的方差,即第一方差,为芯片J 0 的第K个性能项目的第I个频点的测试数据与第一均值的距离,即差值的绝对值。
在对坏点芯片进行筛除后,即对各芯片的测试数据进行坏点过滤后,为了便于设置衡量标准,对芯片进行筛选,还需要对筛除坏点后的芯片的测试数据进行归一化处理。可选的,对过滤后的各芯片的性能测试数据进行归一化处理的步骤包括:
计算过滤后的每个性能项目的每个频点的测试数据的第二均值和第二方差。
根据过滤后的每个性能项目的每个频点的测试数据的第二均值和第二方差,通过以下公式对各芯片的性能测试数据进行归一化:
其中,为归一化后的第j个芯片第K个性能项目第I个频点的测试数据;为第j个芯片第K个性能项目第I个频点的测试数据;为所有芯片在第K个性能项目第I个频点的测试数据的均值,即第二均值;为所有芯片在第K个性能项目第I个频点的测试数据的第二方差。
通过对每个芯片的每个性能项目的每个频点的测试数据进行归一化处理,即可实现对每个芯片的性能测试数据的归一化处理。
在对芯片的性能测试数据进行坏点过滤以及归一化处理后,即可对各芯片的性能测试数据进行层次聚合。
可选的,对各芯片进行层次聚合,得到聚类簇的个数与距离的关系数据的步骤可以包括:
根据各芯片的性能测试数据,计算各芯片之间的距离。
根据各芯片之间的距离,采用AGNES算法,对各芯片进行层次聚合,得到聚类簇的个数与距离的关系数据。
其中,在进行层次聚合时,可先根据各芯片的性能测试数据,计算出各芯片之间的距离,然后采用AGNES(Agglomerative Nesting)算法,自底向上进行聚合,直至满足聚类终止条件。
可选的,根据各芯片的性能测试数据,计算各芯片之间的距离的步骤可以包括:
针对每个芯片的每个性能项目,根据该芯片的该性能项目的测试数据计算该性能项目与其他芯片对应相同的性能项目之间的距离。
针对每个芯片,根据该芯片每个性能项目的性能权重,对该芯片的每个性能项目与其他芯片对应相同的性能项目之间的距离进行加权,得到该芯片与其他芯片的距离。
其中,针对每个性能项目,其测试数据包括该性能项目的每个频点的测试数据,因此,针对每个芯片的每个性能项目,在计算该性能项目与其他芯片对应相同的性能项目之间的距离时,可采用切比雪夫距离,通过计算该性能项目的频点与其他对应相同的性能项目的频点之间的最大差值得到。例如,对于芯片1的性能项目a和芯片2的性能项目a之间的距离,则可通过计算芯片1的性能项目a所包括的频点与芯片2的性能项目a所包括的频点之间的测试数据的最大差值得到。
针对每个芯片,在得到该芯片每个性能项目与其他芯片对应相同的性能项目之间的距离后,根据每个性能项目的性能权重,对该芯片每个性能项目与其他芯片对应相同的性能项目之间的距离进行加权,从而得到该芯片与其他芯片的距离。例如,假设性能项目有性能项目a、性能项目b、性能项目c,其中,芯片1的性能项目a与芯片2的性能项目a之间的距离为x,芯片1的性能项目b与芯片2的性能项目b之间的距离为y,芯片1的性能项目c与芯片2的性能项目c之间的距离为z,假设,性能项目a的性能权重为,性能项目b的性能权重为,性能项目c的性能权重为,且,则芯片与芯片2的之间的距离为。
其中,可根据芯片的用途,对每个性能项目设置性能权重,且所有性能项目的性能权重的和为1。
本实施例通过对性能项目设置性能权重,在实际应用时,即可根据芯片的不同用途对不同的性能项目进行加权,并基于此进行筛选,实现了不同用途不同的筛选方式,操作简单,适应性强,灵活性高。
在得到各芯片之间距离后,即可根据各芯片之间的距离进行层次聚合。
可选的,在根据各芯片之间的距离,采用AGNES算法,对各芯片进行层次聚合时,以为距离度量函数进行聚类,其中,和为聚类簇集合,,为聚类簇,为聚类簇k与聚类簇j的距离,该距离可以为闵可夫斯基距离、切比雪夫距离、欧式距离等,可选的,在本实施例中采用切比雪夫距离,由于各性能项目设置有性能权重,因此,该切比雪夫距离为带有权重的切比雪夫距离。
可选的,在本实施例中,距离度量函数d可以是最大距离度量函数、最小距离度量函数以及平均距离度量函数,具体地,本实施例不做限定,可根据实际需要而限定。
例如,以最小距离度量函数进行聚类时,即根据簇与簇之间的最小距离进行聚类。在进行聚类时,首先将每个芯片作为初始簇,根据各芯片之间的最小距离进行聚合,得到新的聚类簇,然后根据新的聚类簇之间的最小距离,对新的聚类簇再次进行聚合,以此类推,直至满足终止条件。例如,存在芯片1、芯片2、芯片3、芯片4以及芯片5,在进行层次聚合时,首先将芯片1和芯片2的距离最近,则将芯片1和芯片2进行聚合,得到聚类簇a;然后根据聚类簇a、芯片3、芯片4以及芯片5之间的距离,将聚类簇a、芯片3、芯片4以及芯片5再次进行聚合,其中,芯片3和芯片4的距离最近,则将芯片3和芯片4进行聚合,得到聚类簇b;然后根据聚类簇a、聚类簇b以及芯片5之间的距离,将聚类簇a、聚类簇b以及芯片5再次进行聚合,其中,将聚类簇b与芯片5的距离最近,则将聚类簇b与芯片5进行聚合,得到聚类簇c...以此类推,直至满足终止条件。
其中,层次聚类的终止条件可以是自定义设置,可以是距离阈值,即设定一个最小距离阈值,如果最相近的两个簇的距离已经超过,则它们不需再合并,聚类终止。也可以是簇的个数,当得到的簇的个数已经达到,则聚类终止。
本实施例所提供的芯片筛选方法,通过对各芯片进行层次聚合,可得到聚类簇的个数与距离的关系数据,如图3所示,图3为聚类簇的个数与距离的关系图,从图可以得知,当聚类簇的数量为395时,各聚类簇之间的距离为0,当聚类簇的数量为1时,聚类簇之间的距离小于等于6,当聚类簇的数量为10时,各聚类簇之间的距离小于2。
本实施例所提供的芯片筛选方法,依赖各芯片的性能测试数据的相似程度性,对各芯片进行层次聚合,如实地反映了芯片的性能分布,不依赖于人员的经验,准确性高。
在得到聚类簇的个数与距离的关系数据后,根据设定的聚类类别数对各芯片进行筛选,即可根据聚类类别数对芯片进行划分,从而对芯片进行分类,实现芯片的分级。
例如,设定的聚类类别数为G,则将芯片划分为G个簇类,可以表示为,其中,为分类号,每个簇类的芯片数可以表示为,且,N为过滤后的芯片数。而每个簇类之间的距离可从个数与距离的关系数据中得到。如图4所示,图4为芯片划分的一种示意图,图4所示为10个簇类,即G=10。
在对芯片进行分类后,针对每个簇类,可根据该簇类的均值数据作为该簇类芯片的性能标准。每个簇类的均值可以表示为:
本实施例所提供的芯片筛选方法,以每个簇类测试数据的均值作为性能标准,如此,芯片的分级标准可由芯片实际性能决定,不依赖于人员的经验,准确性高。
本实施例提供的芯片筛选方法依赖芯片间测试数据的相近程度,对芯片进行层次聚合,如实反映了芯片的性能分布,且分级标准由簇类的平均性能决定,客观性强,不依赖人员经验,分类效果好,准确性高。
基于同一发明构思,请结合参阅图5,本实施例提供一种芯片筛选装置10,包括数据处理模块11、数据聚合模块12以及芯片筛选模块13。
数据处理模块11用于获取各芯片的性能测试数据,对各芯片的性能测试数据进行预处理。
数据聚合模块12用于根据预处理后的各芯片的性能测试数据,对各芯片进行层次聚合,得到聚类簇的个数与距离的关系数据。
芯片筛选模块13用于根据聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各芯片进行筛选。
在上述基础上,本实施例还提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和可读存储介质的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
综上,本发明实施例提供的芯片筛选方法、装置、电子设备和可读存储介质,在获取各芯片的性能测试数据,对各芯片的性能测试数据进行预处理,根据预处理后的各芯片的性能测试数据,对各芯片进行层次聚合,得到聚类簇的个数与距离的关系数据,在得到聚类簇的个数与距离的关系数据后,根据聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各芯片进行筛选,如此,实现了芯片的自动筛选分类,无需依赖于人员的经验,准确性高,且如实反映了芯片的性能分布。同时,根据芯片用途对性能项目设定权重,根据芯片用途进行加权筛选,灵活高且适应性强。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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,可轻易想到的变化或替换,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以所述权利要求的保护范围为准。
Claims (7)
1.一种芯片筛选方法,其特征在于,应用于电子设备,所述方法包括:
获取各芯片的性能测试数据,对各所述芯片的性能测试数据进行预处理;
根据预处理后的各所述芯片的性能测试数据,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据;
根据所述聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各芯片进行筛选;
所述根据预处理后的各所述芯片的性能测试数据,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据的步骤包括:
根据各所述芯片的性能测试数据,计算各所述芯片之间的距离;
根据各所述芯片之间的距离,采用AGNES算法,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据;
所述芯片的性能测试数据包括每个性能项目的测试数据,每个所述性能项目对应设置有性能权重;所述根据各所述芯片的性能测试数据,计算各所述芯片之间的距离的步骤包括:
针对每个所述芯片的每个所述性能项目,根据该芯片的该性能项目的测试数据,计算该性能项目与其他芯片对应相同的性能项目之间的距离;
针对每个所述芯片,根据该芯片每个所述性能项目的性能权重,对该芯片的每个所述性能项目与其他芯片对应相同的性能项目之间的距离进行加权,得到该芯片与其他芯片的距离;
所述根据各所述芯片之间的距离,采用AGNES算法,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据的步骤包括:
根据各所述芯片之间的距离,采用AGNES算法,以设定的距离度量函数对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据;
2.根据权利要求1所述的芯片筛选方法,其特征在于,所述对各所述芯片的性能测试数据进行预处理的步骤包括:
根据预先设定的坏点判定条件,对各所述芯片的性能测试数据进行坏点过滤;
对坏点过滤后的各所述芯片的性能测试数据进行归一化处理。
3.根据权利要求2所述的芯片筛选方法,其特征在于,所述芯片的测试数据包括每个性能项目的每个频点的测试数据;所述根据预先设定的坏点判定条件,对各所述芯片的性能测试数据进行坏点过滤的步骤包括:
根据所有所述芯片的每个性能项目的每个频点的测试数据,计算得到每个所述性能项目的每个所述频点的测试数据的第一均值和第一方差;
针对每个所述芯片,若该芯片任一性能项目的任一频点的测试数据与该频点的测试数据的第一均值的距离大于该频点的测试数据的第一方差的设定倍数,则判定该芯片为坏点芯片,将该坏点芯片的性能测试数据进行筛除。
5.一种芯片筛选装置,其特征在于,应用于电子设备,所述装置包括数据处理模块、数据聚合模块以及芯片筛选模块;
所述数据处理模块用于获取各芯片的性能测试数据,对各所述芯片的性能测试数据进行预处理;
所述数据聚合模块用于根据预处理后的各所述芯片的性能测试数据,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据;
所述芯片筛选模块用于根据所述聚类簇的个数与距离的关系数据,按照设定的聚类类别数对各所述芯片进行筛选;
所述芯片筛选模块用于:
根据预处理后的各所述芯片的性能测试数据,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据的步骤包括:
根据各所述芯片的性能测试数据,计算各所述芯片之间的距离;
根据各所述芯片之间的距离,采用AGNES算法,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据;
所述芯片的性能测试数据包括每个性能项目的测试数据,每个所述性能项目对应设置有性能权重;所述根据各所述芯片的性能测试数据,计算各所述芯片之间的距离,包括:
针对每个所述芯片的每个所述性能项目,根据该芯片的该性能项目的测试数据,计算该性能项目与其他芯片对应相同的性能项目之间的距离;
针对每个所述芯片,根据该芯片每个所述性能项目的性能权重,对该芯片的每个所述性能项目与其他芯片对应相同的性能项目之间的距离进行加权,得到该芯片与其他芯片的距离;
所述根据各所述芯片之间的距离,采用AGNES算法,对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据,包括:
根据各所述芯片之间的距离,采用AGNES算法,以设定的距离度量函数对各所述芯片进行层次聚合,得到聚类簇的个数与距离的关系数据;
6.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-4任一项所述的芯片筛选方法。
7.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序被执行时实现权利要求1-4任一项所述的芯片筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011275412.8A CN112101486B (zh) | 2020-11-16 | 2020-11-16 | 芯片筛选方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011275412.8A CN112101486B (zh) | 2020-11-16 | 2020-11-16 | 芯片筛选方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101486A CN112101486A (zh) | 2020-12-18 |
CN112101486B true CN112101486B (zh) | 2021-01-29 |
Family
ID=73784604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011275412.8A Active CN112101486B (zh) | 2020-11-16 | 2020-11-16 | 芯片筛选方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101486B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149551B (zh) * | 2023-10-30 | 2024-02-09 | 鹰驾科技(深圳)有限公司 | 一种车载无线通信芯片的测试方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436480A (zh) * | 2011-10-15 | 2012-05-02 | 西安交通大学 | 一种面向文本的知识单元关联关系挖掘方法 |
CN111311292A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 一种用户分类方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540056B (zh) * | 2011-12-29 | 2014-04-02 | 北京控制工程研究所 | 一种aps芯片测试及筛选方法 |
US10599953B2 (en) * | 2014-08-27 | 2020-03-24 | Verint Americas Inc. | Method and system for generating and correcting classification models |
CN109087300B (zh) * | 2018-09-20 | 2020-10-16 | 视睿(杭州)信息科技有限公司 | Led芯片支架故障自动检测方法和装置 |
CN110413936B (zh) * | 2019-07-26 | 2022-11-22 | 成都天锐星通科技有限公司 | 一种相控阵天线校准数据确定方法及天线系统 |
CN111507579B (zh) * | 2020-03-26 | 2022-04-15 | 国网四川省电力公司电力科学研究院 | 一种基于聚类法的全类别电压互感器运行性能评估方法 |
CN111933226B (zh) * | 2020-06-19 | 2024-05-14 | 江苏师范大学 | 一种基于分级分类模型的人工智能筛选材料方法 |
-
2020
- 2020-11-16 CN CN202011275412.8A patent/CN112101486B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436480A (zh) * | 2011-10-15 | 2012-05-02 | 西安交通大学 | 一种面向文本的知识单元关联关系挖掘方法 |
CN111311292A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 一种用户分类方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112101486A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816579B2 (en) | Method and apparatus for detecting defect pattern on wafer based on unsupervised learning | |
KR101872342B1 (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
CN112529061B (zh) | 一种光伏功率异常数据的识别方法、装置及终端设备 | |
CN105702595B (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
CN117349220B (zh) | 一种基于pci总线的数据处理方法及系统 | |
CN112101486B (zh) | 芯片筛选方法、装置、电子设备和可读存储介质 | |
US20230194624A1 (en) | Battery management system for classifying a battery module | |
CN116610938B (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
CN111984442A (zh) | 计算机集群系统的异常检测方法及装置、存储介质 | |
CN117540325B (zh) | 基于数据变化量捕获的业务数据库异常检测方法及系统 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN114020971A (zh) | 一种异常数据检测方法及装置 | |
CN114355234A (zh) | 一种电源模块的智能化质量检测方法及系统 | |
CN113705920A (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
CN116938358B (zh) | 一种天馈线或天线合路器的驻波比检测数据的处理方法 | |
CN111597934A (zh) | 用于为统计应用处理训练数据的系统和方法 | |
CN117523324B (zh) | 图像处理方法和图像样本分类方法、装置和存储介质 | |
US12007428B2 (en) | Systems and methods for multidimensional dynamic part average testing | |
US20240193460A1 (en) | Data processing method and data processing apparatus | |
CN116703912B (zh) | 一种迷你主机网口完整性视觉检测方法 | |
CN118227978A (zh) | 塔类设施的结构健康监测方法、装置及电子设备 | |
CN118212142A (zh) | 确定结晶岩石矿物几何异质性的方法及系统 | |
CN117786565A (zh) | 一种半导体异常芯片的确定方法、装置及电子设备 | |
CN114091898A (zh) | 一种信息确定方法、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 |