JPH04236371A - 半導体レーザー特性欠陥検出装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は高速学習型半導体レーザ
ー特性欠陥検出装置に関し、特に半導体レーザーの駆動
電流の変化に対する微分光出力の変動（Ｌ−Ｉキンク）
をニューラルネットの学習を用いて検出し、その欠陥形
状を分類し、ニューラルネットの出力値に応じて、半導
体レーザーの良否を判定する高速学習型半導体レーザー
特性欠陥検出装置に関する。

【０００２】

【従来の技術】従来の半導体レーザー特性欠陥検出装置
は半導体レーザーに駆動電流を入力し、この駆動電流に
対する光出力を測定する。次に、駆動電流（Ｉ）と光出
力のデータをアナログ微分器に入力し、電流増加に対す
る光出力の変化である微分Ｌ−Ｉデータに変換する。さ
らに、駆動電流と微分Ｌ−ＩデータとをＡ／Ｄ変換して
、これらの値を計算機に取り込む。

【０００３】図４はＡ／Ｄ変換した微分Ｌ−Ｉ特性デー
タを示す図で、横軸は駆動電流（ｍＡ）、縦軸は微分光
出力（ｄＬ／ｄＩ）である。マイクロプロセッサは入力
された微分Ｌ−Ｉ特性から急峻な立ち上がり点を検出し
、この点を開始点として、微分Ｌ−Ｉデータを特徴検出
器上のセル座標変換ベクトル集合に変換する。反応した
セル座標値はコード化され、このコード化された２組の
反応したセル座標変換ベクトル集合から、入力層ユニッ
ト行列が生成され、入力層ユニット行列を成分に持つ特
徴ベクトルの出現頻度情報が生成される。そして、入力
層ユニット行列をプロック分割し、特徴ベクトルの最大
出現頻度情報を持つ入力層ユニットを多中間層ユニット
にローカルに結合させる。

【０００４】学習の方法は１パターンの微分Ｌ−Ｉ特性
波形が図１７に示されるニューラルネットに提示される
ごとに各層間の荷重値、荷重バイアス値を修正し、教師
信号とニューラルネットの出力値から得られる二乗誤差
がしきい値以下になるまで微分Ｌ−Ｉ特性波形を提示し
、学習を終了する。学習終了後、第１図に示される測定
系から得られる微分Ｌ−Ｉ波形データを再びニューラル
ネットに入力し、その計算結果の出力値の最大値を分類
カテゴリとして認識し、半導体レーザーの欠陥を検出、
分類を行っている。

【０００５】

【発明が解決しようとする課題】上述した従来の半導体
レーザー特性欠陥検出装置は、微分Ｌ−Ｉデータから生
成される特徴ベクトルの出現頻度情報の有無にかかわら
ず、すべての入力層ユニットを中間層ユニットに結合さ
せて学習を行うので、マイクロプロセッサ６上のメモリ
ーに占めるニューラルネットが大規模になり、学習で得
られる荷重データ、荷重バイアスデータが膨大になると
いう欠点がある。また、特徴ベクトルの出現頻度情報の
存在しない入力層ユニットと中間層ユニットの無効リン
クを計算することになるので、効率的な学習ができない
上に学習の収束に要する時間が長くなるという欠点があ
る。

【０００６】

【課題を解決するための手段】本発明の半導体レーザー
特性欠陥検出装置は、 （Ａ）駆動電流Ｉに対する半導体レーザーの光出力Ｌを
測定する測定手段と、 （Ｂ）駆動電流Ｉに対するｄＬ／ｄＩを求め、Ａ／Ｄ変
換した微分Ｌ−Ｉ特性データを求めるデータ作成手段と
、 （Ｃ）前記データ作成手段により得られる微分Ｌ−Ｉ特
性データの変化率が最大でかつ光出力が最大である開始
点を求める開始点探索手段と、 （Ｄ）開始点から測定終了点までの微分Ｌ−Ｉ特性デー
タからの差分方向ベクトル集合を生成する手段と、（Ｅ
）前記差分方向ベクトルをスレッシュホールドを持つ階
段関数を用いて特徴検出器上のセル座標に変換し、セル
座標変換ベクトル集合を生成する手段と、（Ｆ）前記セ
ル座標変換ベクトルから前記特徴検出器のセル座標コー
ドを生成する手段と、 （Ｇ）２組の前記セル座標コードを成分とする入力層ユ
ニット行列を生成し、前記入力層ユニット行列の成分値
をニューラルネットへの入力層ユニット番号を持つ特徴
ベクトルに割り当てる手段と、 （Ｈ）前記特徴ベクトルの出現頻度情報をカウントし、
正規化する手段と、 （Ｉ）前記入力ユニット行列を行ベクトルごとにブロッ
ク化し、そのブロック内での最大出現頻度ユニット成分
を得る手段と、 （Ｊ）特徴ベクトルの前記最大出現頻度ユニット情報を
持つニューラルネットの入力層ユニットと中間層ユニッ
トとの結合を局所的に実行する手段と、（Ｋ）教師デー
タとして選択した複数の微分Ｌ−Ｉデータをニューラル
ネットにサイクリックに提示し、おのおのの波形パター
ンに対する各層間の荷重修正値をマイクロコンピュータ
のメモリーに一時的に退避させ、１サイクルの１微分Ｌ
−Ｉデータの提示終了後に一括して各層のユニットの荷
重値と荷重バイアス値を一律に修正して学習済み荷重デ
ータを作成する手段と、（Ｌ）ニューラルネットの学習
により微分Ｌ−Ｉ特性の欠陥を分類する手段とを含んで
構成される。

【０００７】

【実施例】次に、本発明の実施例について、図面を参照
して詳細に説明する。

【０００８】図１は本発明の一実施例の測定系のブロッ
ク図である。電流駆動部１で駆動電流ａが発生し、微分
回路２に入力される。半導体レーザー３は駆動電流ａの
大きさに応じて光出力ｂを出力する。光出力ｂは光信号
測定回路４に入力され、電気信号に変換されて出力信号
ｃが発生する。出力信号ｃは微分回路２に入力され、駆
動電流ａに応じた微分出力信号ｄを発生する。微分出力
信号ｄと駆動電流ａとはＡ／Ｄ変換回路５に入力され、
２次元データ信号ｅを発生し、マイクロプロセッサ６に
取り込まれ、波形データ番号とともに、記憶される。

【０００９】次に本実施例の動作について説明する。

【００１０】図２〜図４は本実施例の２次元データ信号
ｅの処理のフローチャートである。２次元データ信号ｅ
は駆動電流ａと微分出力信号ｄとの２次元配列（Ｉｓ　
，Ｌｓ　）（ｓ＝１，２，３…Ｎ：Ｎはデータの最大数
）としてマイクロプロセッサ６に格納される（手順１）
。再び図５を引用すると、図５は２次元配列（Ｉｓ　，
Ｌｓ　）である微分Ｌ−Ｉ特性データの例を示す図で、
（Ｉｓ　，Ｌｓ　）は図５に示す曲線上の点である（本
実施例ではＩ１　，Ｉ２　，…ＩＮ　は一定値毎に増加
する駆動電流である）。図６は図５を５倍に拡大した図
である。

【００１１】次に図６に示す微分Ｌ−Ｉ特性の特徴点の
抽出開始点（Ｉ１　，Ｌ１　）の決定を行う（手順２）
。ここではマイクロプロセッサ６に格納された２次元配
列（Ｉｓ　，Ｌｓ　）から微分光出力の変化率の最大値
を求め、その近傍の前後１０点の（Ｉｓ　，Ｌｓ　）の
微分出力の最大値の点を（Ｉ１　，Ｌ１　）とする。次
にこの開始点（Ｉ１　，Ｌ１　）以降のデータからニュ
ーラルネットに入力する特徴ベクトルを生成する。

【００１２】ここで特徴ベクトルの生成手段について詳
細に説明する。まず、微分Ｌ−Ｉデータである２次元配
列（Ｉｓ　，Ｌｓ　）から波形の変動量を示す差分方向
ベクトル集合を生成する（手順３）。差分方向ベクトル
集合は Ｖ＝（△Ｉｓ　，△Ｌｓ　）　　　　（１）ｓ＝１，２
，３，…Ｎ と定義できる。ただし、 △Ｉｓ　＝Ｉｓ　−Ｉｓ−１　　　　　（２）△Ｌｓ　
＝Ｌｓ　−Ｌｓ−１　　　　　（３）である。次に波形
パターンデータを特徴検出器上のセル座標変換ベクトル
集合の生成手段について説明する。本実施例ではマイク
ロプロセッサ６のメモリー容量を考慮して特徴検出器の
セル数は５＊５＝２５とする。

【００１３】式（１）で作成した差分方向ベクトル集合
を特徴検出器のセル座標値に変換する為に図１４に示す
階段関数Ｐ（ｚ）を定義する。

【００１４】この階段関数Ｐ（ｚ）は

【００１５】

【００１６】と与えられる。ただし、β，γは差分方向
ベクトルの移動量に応じてセル座標位置を決定する階段
関数のスレッシュホールドであり、│β│＜│γ│なる
関係を満足する。階段関数Ｐ（ｚ）は手順３で生成した
差分方向ベクトルの変位量に応じて特徴検出器のセル座
標変換ベクトル集合に変換する（手順４）。この時得ら
れるセル座標変換ベクトル集合Ｖｔ　（ｓ）は　　　　
Ｖｔ　（ｓ）＝［ｐ（△Ｉｓ　），ｐ（△Ｌｓ　）］　
　　　　　（５）　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　ｓ＝１，２，３，…Ｎで与
えられる。Ｖｔ　（ｓ）は図１５に示されるように特徴
検出器の中心を原点とするいずれかのマトリックス上の
セル座標値である。さらに階段関数ｐ（ｚ）の性質から
、計測された微分Ｌ−Ｉ特性がノイズ等の影響で局所的
に微分光出力の変動量△Ｌｓ　が著しく大きくてもスレ
ッシュホールド│β│、│γ│により、変動量は圧縮さ
れ、セル座標値のいずれかの位置に変換される。これと
同様に変動量△Ｌｓ　が小さい場合にはスレッシュホー
ルド以下となり、反応するセル座標は変化しない。従っ
て、階段関数ｐ（ｚ）は微分光出力の変動量△Ｌｓ　の
データ圧縮、整合効果を持ち、同時にノイズ等の影響を
排除するフィルタ機能を持つ。次にニューラルネットの
入力層ユニットへセル座標学習させるための入力層ユニ
ット番号を生成し、各入力層ユニットに入力する特徴ベ
クトルの出現頻度情報の生成手段について詳細に説明す
る。

【００１７】まず図１５に示すセル座標系を図１６に示
される座標コードに割り当て、セル座標変換ベクトルを
コード化し、対象となっているサンプル点データ番号ｓ
とｓ−１のコードを順次シフトさせながらマイクロプロ
セッサ６のメモリーに記憶する（手順５）。この時、セ
ル座標値から得られる座標コードの一般関係式は　　ｉ
＝ｃｏｄｅ［ｓ］＝（２ｍ−１）＊ｐ（△Ｉｓ　）＋ｐ
（△Ｌｓ　）　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　＋２
ｍ（ｍ−１）＋１　　（６）　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　ｓ
＝１，２，３，…Ｎで与えられる。本実施例では２５個
のセルであるから、ｍ＝３であり、ｃｏｄｅ［ｓ］は１
から２５までの整数値である。手順５で得た座標コード
番号から、ニューラルネットへの入力層ユニット番号ｌ
を生成する（手順６）。

【００１８】反応したセル座標値から得られる対応セル
座標コード番号と入力層ユニット番号との関係式は　　
ｌ＝（２ｍ−１）２　＊（ｃｏｄｅ［ｓ］−１）＋ｊ　
　　　（７）　　ｊ＝ｃｏｄｅ［ｓ−１］　　　　　　
　　　　　　　　　　　　　　　　　　　　　　（８）
　　　　　　　　　　　　ｓ＝１，２，３，…Ｎ　　　
　ｍ＝３で与えられる。これは対象となっているセル座
標コード番号と一つ前のセル座標コード番号から唯一決
定され、また、２つの反応座標の組合せの最大値は（２
ｍ−１）４　通りである。本実施例ではｍ＝３なのでｌ
は６２５までの整数値となる。式（６）、（７）、（８
）から、入力層ユニット番号行列Ｕ［ｉ，ｊ］を生成し
（手段７）、その成分配列ｕｎｉｔ［ｉ，ｊ］を特徴ベ
クトル集合Ｘ（ｌ）に割り当てると、 ｕｎｉｔ［ｉ，ｊ］＝ｘ［ｌ］　　　　　　（９）と与
えられ、これを行列表示すると

【００１９】

【００２０】となる。特徴ベクトルＸ（ｌ）に割り当て
られる情報は図１５に示されるベクトルカウンタによっ
て生成される。ベクトルカウンタは１つの微分Ｌ−Ｉ波
形データである二次元データが特徴検出器に入力される
と、特徴検出器上の２組の反応セルの座標値から決定さ
れる入力層ユニットＸ［ｌ］に反応があったものとして
１を加算し、マイクロプロセッサ６のメモリーに記憶す
る。この動作を１パターンの微分のＬ−Ｉ特性データの
開始点以降のすべてのサンプル点ｓ（ｓ＝１、２…Ｎ）
について順次行い、特徴検出器上の２組の反応セル座標
変換ベクトルのパターン出現頻度情報として、マイクロ
プロセッサ６上のメモリーに累積していく（手順８）。

【００２１】続いてベクトルカウンター内に蓄えられた
特徴ベクトルの出現頻度情報のノルムを計算する（手順
９）。この特徴ベクトルの出現頻度情報のノルムは生成
された特徴ベクトルＸ（ｌ）の２組の反応セルが原点に
あった場合、すなわち、特徴検出器の中心セルから以外
に反応がない時の特徴ベクトルｕｎｉｔ［２ｍ（ｍ−１
）＋１，２ｍ（ｍ−１）＋１］＝Ｘ［（２ｍ２　−２ｍ
＋１）２　］、（ｍ＝３）と他の２組の特徴検出器上の
セル反応座標ベクトルの組合せパターンから生成する特
徴ベクトル間のユーグリット距離を意味する。手順７で
得た特徴ベクトルＸ［ｌ］はニューラルネットの入力層
ユニットに入力するためにその前処理として、ベクトル
カウンタ内のすべての反応頻度情報は［０，１］の範囲
になるように正規化される（手順１０）。

【００２２】次に式（１０）で示される入力層ユニット
行列を各行ごとに（２ｍ−１）２　個のブロック化に分
割し（手順１１）、そのブロック内での特徴ベクトルの
正規化頻度情報の最大値を探索し（手順１２）、正規化
頻度情報の最大値を持つ入力層ユニットと、中間層上の
すべてのユニットをローカルに結合させる（手段１３）
。

【００２３】ここで本実施例で用いた学習アルゴリズム
について説明する。ニューラルネットの学習アルゴリズ
ムは文献Ｐａｒａｌｅｌｌ　　Ｄｉｓｔｒｉｂｕｔｅｄ
　　Ｐｒｏｃｅｓｓｉｎｇ　　ＭＩＴ　　Ｐｒｅｓｓ　
　１９８６に基づくバックプロパゲーション法を改良す
る。ここでは手順７で得たメモリー上にある頻度情報の
ノルムであるニューラルネットの入力層ユニットへの入
力特徴ベクトル群を新たにｌ＝ｊとおいて、ｘ［１］　
（ｊ）と表記する（ここで［１］は第１層を表し、以降
の説明で右肩の［］内のｍはニューラルネットの層番号
とし、式（６）のｍとは異る）。

【００２４】ニューラルネットの荷重、および荷重バイ
アス値を小さな乱数で初期化する（手順１４）。手順１
２で得た入力層ユニット行列内の各行ブロック内のｘ［
１］　（ｊ）の出現頻度データの最大値を持つ入力層ユ
ニットのデータを中間層ユニットに入力し、ニューラル
ネットの計算を行う。まず、第ｍ層のニューラルネット
の第ｊユニットから第ｉユニットへの荷重をω［ｍ］　
［ｉ］［ｊ］、バイアス値をθｊ　として荷重和を計算
する（手順１５）。そのときの荷重和は

【００２５】

【００２６】と与えられる。

【００２７】手順１５の計算による各層のｊ番目のユニ
ット出力値は 　　Ｏ［ｍ］　［ｊ］＝ｆ（ｎｅｔ［ｍ］　［ｊ］）　
　　　　　　　　　（１２）　　　　　　　　　　　　
　　　　　　　　　　　　　　　　ｍ＝１，２，…Ｍと
表現される。ただし、式（１２）は 　　ｆ（Ｘ）＝１／（１＋ｅｘｐ（−Ｘ／Ｕ０））　　
　　（１３）　　ｆ’（Ｘ）＝Ｘ（１−Ｘ）　　　　　
　　　　　　　　　　　　　　　　　（１４）なる非線
形飽和特性をもつシグモイド関数、Ｕ０はその傾きを示
すパラメータである。ニューラルネットの各層の入力ユ
ニットの頻度情報が与えられた時、第ｐ番目に提示され
た波形パターンのカテゴリに対する教師信号をＴ［ｐ］
　［ｊ］、実際の出力層ユニットでの出力値をＯ［ｍ］
　［ｊ］（ｍ＝Ｍ　　Ｍは層の最大数、本実施例ではＭ
＝３）とすると、二乗誤差ＥＲＲ（ｊ）は

【００２８】

【００２９】である。次に微分Ｌ−Ｉ波形の各分類カテ
ゴリに対応する教師信号を入力し（手順１６）、二乗誤
差を計算する（手順１７）。さらに、教師信号と出力層
ユニットの出力の一致の有無を確認し、一致していない
場合はニューラルネットの各層間の荷重値と荷重バイア
スを計算する（手順１８）。その時の修正式は出力層ユ
ニットについては 　　δ［ｍ］　［ｊ］＝（Ｔ［ｐ］　［ｊ］−Ｏ［ｍ］
　［ｊ］）・ｆ’（ｎｅｔ［ｍ］　［ｊ］）　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　（１６）ただし、ｍ＝Ｍである。第ｋ番
目の中間層ユニットについては 　　δ［ｋ］［ｊ］＝ｆ’（ｎｅｔ［ｋ］　［ｊ］）　
　　　　　　　　　　　　　　　　　　　　　・Σδ［
ｋ＋１］　［ｌ］ω［ｋ］　［ｉ］［ｊ］　　　　（１
７）　　△ω［ｋ−１］［ｋ］［ｉ］［ｊ］＝η・δ［
ｋ］　［ｊ］・Ｏ［ｋ−１］　［ｊ］　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　（ηは定数）　　　　　　　　　　（１
８）で与えられる。式（１７）は実際には学習が安定に
行なわれるために、学習効率化係数αを導入して荷重修
正式は 　　△ω［ｋ−１］［ｋ］［ｉ］［ｊ］（ｔ＋１）　　
　　＝η・δ［ｋ］　［ｊ］・Ｏ［ｋ］　［ｊ］＋α△
ω［ｋ−１］［ｋ］［ｊ］（ｔ）　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　　　　　　　　　　　　　　　　　　　　　　　　
　　（１９）と与えられる。

【００３０】式（１６）、式（１７）の値は１つの波形
パターンがニューラルネットに提示される度に、マイク
ロプロセッサ６のメモリーに格納される（手順１９）。 そして微分Ｌ−Ｉ波形データの教師データ番号順にサイ
クリックにニューラルネットに提示し、１サイクルの教
師データの提示が終了するたびに式（１９）を用いて、
ニューラルネットの各層間の荷重値と荷重バイアスを一
括して修正していく（手順２０）。これを１サイクルの
微分Ｌ−Ｉ波形データのニューラルネットへの提示が式
（１５）の二乗誤差ＥＲＲ（ｊ）が設定されたしきい値
以下になるまで繰り返して学習を実行する（手順１３、
１４、１５、１６、１７）。

【００３１】学習が終了すると、学習によって得られた
荷重値、荷重バイアス値を計算機メモリーに格納し記憶
する（手順２１）。自動検査時には学習で得た荷重、荷
重バイアスデータを再び読み込み（手順２２）、図１の
測定系１から得られる微分Ｌ−Ｉデータの２次元配列を
学習過程（手順３、４、５、６、７、８、９、１０、１
１、１２、１３）と同様に微分Ｌ−Ｉ特性波形データを
読み込み、特徴ベクトルを生成する（手順２３）。これ
を図１７に示される階層ニューラルネットに入力し、式
（１１）、式（１２）を計算し、出力層ユニットのＯ［
ｍ　］　　［ｊ］の最大値を調べ、おのおのの出力ユニ
ットに割り当てられたカテゴリ名を出力する（手順２４
）。

【００３２】図６、図９、図１２は図５、図８、図１１
をそれぞれ５倍に拡大し、カテゴリ“良品”，“不良品
”，“ノイズ”の微分Ｌ−Ｉデータを図１８に示される
入力ユニット数２５、中間層ユニット数３５、出力ユニ
ット数３の階層構造を持つニューラルネットに学習させ
た後、未学習の微分Ｌ−Ｉ波形を提示した時、本装置が
それぞれ良品、不良品、ノイズと正しく分類、認識した
例を示すものである。

【００３３】図７、図１０、図１３は図１８に示される
階層型ニューラルネットが学習によって獲得した良品、
不良品、ノイズに対する中間層ユニットの反応の強さを
示す状態図である。図７、図１０、図１３において３５
個の升は各中間層ユニットを示し、各升の中の黒い四角
形の大きさは各中間層ユニットの反応の強さを示す。

【００３４】また、図１９は従来の半導体レーザー特性
欠陥検出装置の学習法による学習回数と２乗誤差和の関
係図、図２０は本実施例の学習法における学習回数と２
乗誤差和の関係図である。この２つから明らかなように
、微分Ｌ−Ｉデータをサイクリックに提示し、１サイク
ルの波形パターンの提示が終了する度に一括して荷重値
、荷重バイアス値を修正することによって、学習の収束
が大幅に高速化されていることが解る。

【００３５】

【発明の効果】以上説明したように本発明の半導体レー
ザー特性欠陥検出装置は、半導体レーザーの微分Ｌ−Ｉ
データを特徴検出器上のセル座標変換ベクトル集合に変
換し、２組の反応セルから得られる特徴ベクトルの出現
頻度情報の存在の有無に関わらず、すべての入力層ユニ
ットを中間層ユニットと結合させてニューラルネットの
学習を実行する代わりに、入力層ユニット行列をブロッ
ク分割し、特徴検出器から生成される特徴ベクトルの最
大出現頻度数を持つ入力層ユニットのみを中間層ユニッ
トとローカル結合させ、ニューラルネットの入力ユニッ
ト数を１／（２ｍ−１）２　個に制限されることによっ
て、ニューラルネットの構造が簡単になり、各層ユニッ
ト間の結合に要する学習計算時間を大幅に短縮できる上
に、学習で生成される荷重値データ、荷重バイアスデー
タのマイクロコンピュータ上に占めるメモリー容量を大
幅に削減できる効果がある。

【００３６】また、教師データとなる微分Ｌ−Ｉデータ
を波形番号順にニューラルネットにサイクリック提示し
、１サイクルのパターン提示が終了するたびに、荷重値
と荷重バイアスを修正することにより、微分−Ｉ波形デ
ータの認識に必要な荷重値データ作成時における学習の
収束を大幅に高速化できるという効果がある。

【図面の簡単な説明】

【図１】本発明の一実施例を示す測定系のブロック図で
ある。

【図２】図１に示すマイクロプロセッサ６の処理を示す
流れ図である。

【図３】図１に示すマイクロプロセッサ６の処理を示す
流れ図である。

【図４】図１に示すマイクロプロセッサ６の処理を示す
流れ図である。

【図５】図１の測定系から得られる良品の２次元データ
信号ｅの出力図である。

【図６】図５に示されるデータを５倍に拡大し、図２〜
図４に示される検査フローに従ってデータ処理され、ニ
ューラルネットが半導体レーザーの微分Ｌ−Ｉ特性波形
形状を良品と判定した出力例を示す図である。

【図７】ニューラルネットが学習によって獲得した図６
に示す微分Ｌ−Ｉ特性波形に対する中間層ユニットの反
応の強さを示す状態図である。

【図８】図１の測定系から得られる不良品の２次元デー
タ信号ｅの出力図である。

【図９】図８に示されるデータを５倍に拡大した出力例
を示す図である。

【図１０】ニューラルネットが学習によって獲得した図
９に示す微分Ｌ−Ｉ特性波形に対する中間層ユニットの
反応の強さを示す状態図である。

【図１１】図１の測定系から得られるノイズを含む２次
元データ信号ｅの出力図である。

【図１２】図１１に示されるデータを５倍に拡大した出
力例を示す図である。

【図１３】ニューラルネットが学習によって獲得した図
１２に示す微分Ｌ−Ｉ特性波形に対する中間層ユニット
の反応の強さを示す状態図である。

【図１４】特徴検出器のスレッシュホールドを持つ階段
関数の概念図である。

【図１５】特徴検出器のセル座標図である。

【図１６】特徴検出器の各セル座標をコード化した図で
ある。

【図１７】２つのセル座標の組合せから決定される特徴
ベクトルが各入力層ユニット番号に割り当てられ、その
出現頻度をカウントし、マイクロプロセッサ６上に累積
し、記憶するベクトルカウンタの概念図である。

【図１８】入力層ユニット行列の各行ブロック内の最大
値を中間層ユニットと結合させたニューラルネットの概
念図である。

【図１９】従来の半導体レーザー欠陥検出装置の学習法
による学習回数と２乗誤差の関係図である。

【図２０】本実施例の学習法における学習回数と２乗誤
差の関係図である。

【符号の説明】

１　　　　電流駆動部 ２　　　　微分回路 ３　　　　半導体レーザー ４　　　　光信号測定回路 ５　　　　Ａ／Ｄ変換回路 ６　　　　マイクロプロセッサ ａ　　　　駆動電流 ｂ　　　　光パワー ｃ　　　　出力パワー信号 ｄ　　　　微分出力パワー信号 ｅ　　　　二次元データ信号

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　（Ａ）駆動電流Ｉに対する半導体レー
   ザーの光出力Ｌを測定する測定手段と、 （Ｂ）駆動電流Ｉに対するｄＬ／ｄＩを求め、Ａ／Ｄ変
   換した微分Ｌ−Ｉ特性データを求めるデータ作成手段と
   、 （Ｃ）前記データ作成手段により得られる微分Ｌ−Ｉ特
   性データの変化率が最大でかつ光出力が最大である開始
   点を求める開始点探索手段と、 （Ｄ）前記開始点から測定終了点までの微分Ｌ−Ｉ特性
   データからの差分方向ベクトル集合を生成する手段と、
   （Ｅ）前記差分方向ベクトルをスレッシュホールドを持
   つ階段関数を用いて特徴検出器上のセル座標に変換し、
   セル座標変換ベクトル集合を生成する手段と、（Ｆ）前
   記セル座標変換ベクトルから前記特徴検出器のセル座標
   コードを生成する手段と、 （Ｇ）２組の前記セル座標コードを成分とする入力層ユ
   ニット行列を生成し、前記入力層ユニット行列の成分値
   をニューラルネットへの入力層ユニット番号を持つ特徴
   ベクトルに割り当てる手段と、 （Ｈ）前記特徴ベクトルの出現頻度情報をカウントし、
   正規化する手段と、 （Ｉ）前記入力ユニット行列を行ベクトルごとにブロッ
   ク化し、そのブロック内での最大出現頻度ユニット成分
   を得る手段と、 （Ｊ）特徴ベクトルの前記最大出現頻度ユニット情報を
   持つニューラルネットの入力層ユニットと中間層ユニッ
   トとの結合を局所的に実行する手段と、（Ｋ）教師デー
   タとして選択した複数の微分Ｌ−Ｉデータをニューラル
   ネットにサイクリックに提示し、おのおのの波形パター
   ンに対する各層間の荷重修正値をマイクロコンピュータ
   のメモリーに一時的に退避させ、１サイクルの１微分Ｌ
   −Ｉデータの提示終了後に一括して各層のユニットの荷
   重値と荷重バイアス値を一律に修正して学習済み荷重デ
   ータを作成する手段と、（Ｌ）ニューラルネットの学習
   により微分Ｌ−Ｉ特性の欠陥を分類する手段とを含む半
   導体レーザー特性欠陥検出装置。