[發(fā)明專利]一種用于滾磨機(jī)定向儀的晶棒質(zhì)量評估方法

有效

• 申請?zhí)枺?/td>: 202010862885.1
• 申請日: 2020-08-25
• 公開（公告）號: CN111985823B
• 公開（公告）日: 2023-10-27
• 發(fā)明（設(shè)計）人: 關(guān)守平;王文奇;宋陽
• 申請（專利權(quán)）人: 東北大學(xué)
• 主分類號: G06F18/23213
• 分類號: G06F18/23213;G06F18/214;G06F18/22
• 代理公司: 沈陽東大知識產(chǎn)權(quán)代理有限公司 21109
• 代理人: 李珉

1.一種用于滾磨機(jī)定向儀的晶棒質(zhì)量評估方法，其特征在于：包括以下步驟；

步驟1：建立含有M個晶棒檢測數(shù)據(jù)的樣本集，每個晶棒檢測數(shù)據(jù)包括s個晶面質(zhì)量的檢測等級及對應(yīng)得分；

步驟2：將含有M個晶棒檢測數(shù)據(jù)的樣本集劃分為訓(xùn)練集與測試集；訓(xùn)練集包括N個樣本，測試集包括M-N個樣本；

步驟3：采用改進(jìn)的Canopy算法對訓(xùn)練集中樣本進(jìn)行粗聚類；

步驟4：在改進(jìn)的Canopy算法對訓(xùn)練樣本進(jìn)行粗聚類的基礎(chǔ)上再運(yùn)用K-means算法對訓(xùn)練集樣本進(jìn)行精確聚類，確定用于晶棒質(zhì)量評估的改進(jìn)的Canopy-K-means模型的聚類中心；

步驟5：將測試集樣本數(shù)據(jù)用于改進(jìn)的Canopy-K-means模型，通過計算測試集樣本與每一個改進(jìn)的Canopy-K-means模型的聚類中心的距離來實(shí)現(xiàn)晶棒質(zhì)量的評估，并計算評估平均準(zhǔn)確率；

步驟6：判斷測試集中是否存在某一樣本，其與兩個聚類中心的距離差的絕對值小于設(shè)定閾值ε，若不存在，則步驟5為測試集樣本的最終評估結(jié)果；若存在，則采用k-NN算法對該測試樣本及對應(yīng)的兩個聚類中心所在Canopy簇中的訓(xùn)練樣本進(jìn)一步進(jìn)行聚類計算，完成高相似度晶棒的質(zhì)量評估。

2.根據(jù)權(quán)利要求1所述的一種用于滾磨機(jī)定向儀的晶棒質(zhì)量評估方法，其特征在于：步驟1所述晶面質(zhì)量的檢測等級及對應(yīng)得分的確定方法為：

在滾磨機(jī)定向儀的磨削與定向階段，將晶棒晶面的質(zhì)量檢測劃分為n個等級，若晶面一等品為A等級，對應(yīng)得分為n分；晶面二等品為B等級，對應(yīng)得分為n-1分；其余等級及得分依次類推。

3.根據(jù)權(quán)利要求1所述的一種用于滾磨機(jī)定向儀的晶棒質(zhì)量評估方法，其特征在于：所述步驟3的具體方法為：

步驟3.1：將訓(xùn)練集中樣本隨機(jī)排列，即X＝[X₁,X₂,...,X_i,...,X_N]，其中，X₁,X₂,...,X_i,...,X_N為訓(xùn)練集中的樣本數(shù)據(jù)，N為訓(xùn)練集中樣本總數(shù)，X_i＝[x_i1,x_i2,...,x_ir...,x_is]為訓(xùn)練集X中第i個樣本關(guān)于晶棒晶面檢測得分的特征向量，包括s維數(shù)據(jù)點(diǎn)，即表示晶棒有s個晶面，x_ir表示第i個訓(xùn)練樣本的第r個晶面的檢測得分；并且訓(xùn)練集中每一個樣本數(shù)據(jù)都存在標(biāo)簽Y＝[y₁,y₂,...,y_i,...,y_N]，用于表示訓(xùn)練集中每一個樣本數(shù)據(jù)所屬類別；再選擇兩個距離閾值T₁、T₂，并且T₁T₂；

步驟3.2：從訓(xùn)練集樣本X中隨機(jī)選擇一個樣本數(shù)據(jù)X_i，當(dāng)作第一個Canopy中心點(diǎn)，并將樣本數(shù)據(jù)X_i從X中刪除；

步驟3.3：再從訓(xùn)練集樣本X中選取一個樣本數(shù)據(jù)X_j(j≠i)，采用Bray-Curtis方法計算X_j到已經(jīng)產(chǎn)生的Canopy中心點(diǎn)的最小距離d_BCD，并將其與兩個距離閾值T₁、T₂進(jìn)行比較：

(a)如果d_BCD≤T₁，則給X_j弱標(biāo)記，表示其屬于當(dāng)前Canopy簇，將X_j加入當(dāng)前Canopy簇中，X_j不從訓(xùn)練集X中刪除；

(b)如果d_BCDT₂，則給X_j強(qiáng)標(biāo)記，表示其屬于當(dāng)前Canopy簇，并將X_j從訓(xùn)練集X中刪除；

(c)如果d_BCDT₁，則X_j不屬于當(dāng)前的Canopy簇，X_j形成一個新的Canopy中心點(diǎn)，并將X_j從訓(xùn)練集X中刪除；

采用Bray-Curtis方法計算X_j到已經(jīng)產(chǎn)生的Canopy中心點(diǎn)X_i的最小距離d_BCD的計算，如下公式所示：

其中，x_jr和x_ir分別是向量X_j和向量X_i的第r維數(shù)據(jù)，r＝1,2...,s；

步驟3.4：重復(fù)執(zhí)行步驟3.3，直至訓(xùn)練集X中樣本為空，進(jìn)而將訓(xùn)練集樣本數(shù)據(jù)分組成K個Canopy簇，得到K個聚類中心C₁,C₂,...,C_k,...,C_K，其中C_k＝[c_k1,c_k2,...,c_kr,...,c_ks]，每個聚類中心對應(yīng)一個樣本類別。