ການຮັບຮູ້ຮູບແບບຜົນຜະລິດຜ່ານການນໍາໃຊ້ປະສົມຂອງເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກ

ການແນະນໍາ

ໃນການຜະລິດ semicondoructors, ຜະລິດຕະພັນ nal fi ແມ່ນຖືກຜະລິດໂດຍຜ່ານຫລາຍຮ້ອຍຂະບວນການທີ່ມີອາຍຸຍືນສູງແລະເປັນເວລາຫຼາຍ. ຂະບວນການຜະລິດສ່ວນໃຫຍ່ໃນການນໍາໃຊ້ໃນມື້ນີ້ແມ່ນສັບຊ້ອນແລະ ກາຍເປັນໃນ fi nitesimal ໃນເວລາທີ່ໃຊ້ເຕັກໂນໂລຢີຂະຫນາດ nanometer-extiving.

ສໍາລັບຜູ້ຜະລິດຫຼືວິສະວະກອນເຫລົ່ານັ້ນ, ຜົນຜະລິດແມ່ນຖືວ່າເປັນປັດໃຈທີ່ສໍາຄັນທີ່ສຸດທີ່ຕ້ອງໄດ້ຮັບການຕິດຕາມແລະຄວບຄຸມ. ຜົນຜະລິດແມ່ນ de fi ned ເປັນອັດຕາສ່ວນຂອງຜະລິດຕະພັນທໍາມະດາສໍາລັບຜະລິດຕະພັນທີ່ມ່ວນຊື່ນ. ການຄຸ້ມຄອງຜົນຜະລິດໃນ semiconductor ໄດ້ ອຸດສາຫະກໍາແມ່ນເຂົ້າໃຈເປັນລະບົບວິເຄາະທີ່ສົມບູນແບບເຊິ່ງມີຄຸນລັກສະນະຂອງລະບົບທີ່ສັບສົນ. ລະບົບທີ່ສັບສົນມີຕົວແປທີ່ມີເອກະລາດຫຼາຍຢ່າງທີ່ພົວພັນກັບກັນແລະກັນໃນຫລາຍວິທີທີ່ສັບສົນ. ດັ່ງນັ້ນ, ມັນຖືວ່າຍາກທີ່ຈະຄາດເດົາແລະຄວບຄຸມຍາກ.

ຜົນຜະລິດໃນຮູບແບບ semiconductor ໄດ້ຮັບຜົນກະທົບຢ່າງແຮງໂດຍຫລາຍປັດໃຈ, ລວມທັງອະນຸພາກຫຼືສານປົນເປື້ອນໃນເຄື່ອງມືຜະລິດ, ທັດສະນີຍະພາບການຜະລິດ, ແລະການອອກແບບ semiconductors.

ບໍລິສັດ semiconductor ສາມາດບັນລຸລະດັບທີ່ແນ່ນອນຂອງຜົນຜະລິດໂດຍການນໍາໃຊ້ຂັ້ນຕອນການຄວບຄຸມຂັ້ນຕອນແລະ 6-sigma ກັບ semiconductor. ຜົນຜະລິດຜົນຜະລິດການເຮັດວຽກການວັດແທກດ້ານສະຖິຕິດ້ານສະຖິຕິທີ່ມີຄວາມຫຍຸ້ງຍາກໃນການປ້ອງກັນຜົນຜະລິດຕ່ໍາ ເປັນການລ່ວງຫນ້າຢ່າງມີປະສິດຕິຜົນ. ນີ້ແມ່ນຍ້ອນວ່າຂະບວນການຜະລິດທີ່ມີຜົນກະທົບຕໍ່ການປ່ຽນແປງຂອງຜົນຜະລິດມີສາຍພົວພັນທີ່ສັບສົນທີ່ບໍ່ແມ່ນສາຍ. ເນື່ອງຈາກມີຜົນກະທົບແບບໂຕ້ຕອບນີ້ໃນບັນດາຕົວແປ, ຜູ້ຜະລິດ Fi Nd ມັນແມ່ນຄວາມແຕກຕ່າງທີ່ແຕກຕ່າງກັນໃນການຊີ້ແຈງບັນຫາໃນເວລາ, ເມື່ອມີການປ່ຽນແປງເລັກໆນ້ອຍໆໃນການພົວພັນລະຫວ່າງຕົວກໍານົດການຂະບວນການສາມາດເຮັດໃຫ້ເກີດຜົນຜະລິດ.

ດັ່ງນັ້ນ, ເຕັກນິກທີ່ສະຫຼາດອື່ນໆແມ່ນມີຄວາມຈໍາເປັນເພື່ອກວດສອບຕົວແປຂະບວນການຕົ້ນຕໍເຊິ່ງມີຜົນກະທົບຢ່າງຮຸນແຮງຕໍ່ການປ່ຽນແປງໃນຜົນຜະລິດ. ການສຶກສາຄັ້ງນີ້ໄດ້ພັດທະນາລະບົບການຄາດຄະເນຜົນຜະລິດຂອງຜົນຜະລິດປະສົມໃນອຸດສາຫະກໍາ semiconductor, ທີ່ເອີ້ນວ່າ Hypssi, ເປັນການປະກອບເຂົ້າກັບວິທີການສະຖິຕິທີ່ມີຢູ່ແລ້ວ. ລະບົບນີ້ແມ່ນອີງໃສ່ການນໍາໃຊ້ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກໃນການສະແດງຕົວແປຂະບວນການຫຼາຍຕົວແປທີ່ກ່ຽວຂ້ອງກັບການຄາດເດົາຜົນຜະລິດການຜະລິດຢ່າງມີປະສິດທິຜົນ ການຜະລິດ semiconductor. Hypssi ຮັບຮອງເອົາເຄືອຂ່າຍ Neural (NNS) ແລະການຫາເຫດຜົນທີ່ອີງໃສ່ກໍລະນີ (CBR) ເຊິ່ງສາມາດໃຊ້ໄດ້ໂດຍກົງກັບຈຸດປະສົງການຄາດຄະເນ. ເຖິງຢ່າງໃດກໍ່ຕາມ, CBB ປະສົບກັບຄວາມນ້ໍາຫນັກຄຸນນະສົມບັດ; ເມື່ອມັນວັດໄລຍະຫ່າງລະຫວ່າງ ກໍລະນີ, ບາງລັກສະນະຄວນມີນ້ໍາຫນັກແຕກຕ່າງກັນ. ມີຫຼາຍຈຸດທີ່ໄດ້ຮັບການເບິ່ງແຍງເພື່ອນບ້ານໃກ້ຄຽງທີ່ໃກ້ທີ່ສຸດຂອງ K-NN) ໄດ້ຖືກສະເຫນີໃຫ້ປັບປຸງໃຫ້ມີຄຸນລັກສະນະທີ່ສູງກວ່າເກົ່າແກ່ຈຸດປະສົງທີ່ກ່ຽວຂ້ອງກັບ CONDIVE [2,37]. ເຖິງແມ່ນວ່າຜູ້ທີ່ ມີການລາຍງານວ່າມີການປ່ຽນແປງຄວາມຖືກຕ້ອງຂອງການດຶງຂອງພວກເຂົາກ່ຽວກັບວຽກງານບາງຢ່າງ, ມີການນໍາໃຊ້ກັບເຄືອຂ່າຍ neural ເພື່ອຄາດຄະເນຜົນຜະລິດຜົນຜະລິດໃນການຜະລິດ semiconductor.

ເພື່ອຊັ່ງນໍ້າຫນັກຂອງການຄຸ້ມຄອງແລະຄູ່ມື CBR, Hypssi ຮັບຮອງເອົາວິທີການນ້ໍາຫນັກ 4 ອັນ: ຄວາມອ່ອນໄຫວ, ຄວາມຄ່ອງແຄ້ວ, ແລະຄວາມກ່ຽວຂ້ອງ. ແຕ່ລະວິທີການຄິດໄລ່ລະດັບຄວາມສໍາຄັນຂອງແຕ່ລະຄຸນລັກສະນະໂດຍການໃຊ້ນ້ໍາຫນັກການເຊື່ອມຕໍ່ແລະ ຮູບແບບການເຄື່ອນໄຫວຂອງຂໍ້ໃນເຄືອຂ່າຍ neural ທີ່ໄດ້ຮັບການຝຶກອົບຮົມ.

ເພື່ອໃຫ້ມີການຢັ້ງຢືນວິທີການແບບປະສົມນີ້ພາຍໃນອຸດສາຫະກໍາ semiconductor, hypssi ໄດ້ຖືກນໍາໃຊ້ກັບບໍລິສັດສາກົນ Semiconductor, ເຊິ່ງໄດ້ຮັບການຈັດອັນດັບຫນຶ່ງຂອງຜູ້ຜະລິດຊັ້ນສູງໃນໂລກ. ຫລັງຈາກປຽບທຽບປະສົມນີ້ ວິທີການທີ່ມີວິທີການອື່ນໆທີ່ໄດ້ຖືກນໍາໃຊ້, ເອກະສານສະບັບນີ້ສະແດງວິທີການປະສົມປະກອບເປັນການຄາດຄະເນຜົນຜະລິດທີ່ຖືກຕ້ອງກວ່າ.

ເອກະສານສະບັບນີ້ຖືກຈັດຂື້ນດັ່ງຕໍ່ໄປນີ້: ການທົບທວນຄືນພາກທີ 2 ການທົບທວນຄືນການຄຸ້ມຄອງຜົນຜະລິດຕ່າງໆທີ່ນໍາໃຊ້ໃນການຜະລິດຜົນຜະລິດ. ພາກນີ້ສຸມໃສ່ການສະຫມັກປະສົມປະສົມປະສານກັບເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກ.

ພາກທີ 3 ອະທິບາຍວິທີການຂອງລະບົບການຄາດຄະເນຜົນຜະລິດຂອງຜົນຜະລິດປະສົມໃນອຸດສາຫະກໍາ semiconductor, ທີ່ເອີ້ນວ່າ hypssi. ຜົນໄດ້ຮັບໃນການທົດລອງຈະຖືກນໍາສະເຫນີໃນພາກທີ 4 ເພື່ອຢັ້ງຢືນລະບົບ. ສຸດທ້າຍ, ເອກະສານສະບັບນີ້ແມ່ນສະຫຼຸບໂດຍ Brie fl y ສະຫຼຸບໂດຍສະຫຼຸບການສຶກສາແລະທິດທາງຂອງການຄົ້ນຄວ້າໃນອະນາຄົດ.

ການທົບທວນວັນນະຄະດີ

ວິທີການຄົ້ນຄວ້າທີ່ນໍາໃຊ້ກັບການຜະລິດ semiconductor

ໃນອຸດສະຫະກໍາເຕັກໂນໂລຢີສູງເຊັ່ນ: ການປັບປຸງ semiconductor, ການປັບປຸງຜົນຜະລິດແມ່ນມີຄວາມສໍາຄັນຫຼາຍຂື້ນເລື້ອຍໆທີ່ມີຄວາມສັບສົນແລະຫຼາຍປັດໃຈທີ່ມີຜົນກະທົບຕໍ່ຜົນຜະລິດຂອງການເຮັດວຽກຂອງ Wafers Friended. ສອງສາມ ການສຶກສາໄດ້ມີຈຸດປະສົງເພື່ອປັບປຸງການປະຕິບັດຜົນຜະລິດແລະເພື່ອຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນການດໍາເນີນງານແລະທຶນໃນອຸດສະຫະກໍາ semiconductor. ມີວິທີການສະຖິຕິຫຼາຍຢ່າງທີ່ນໍາໃຊ້ກັບການຜະລິດ semiconductor. Wang [36] ໃຊ້ຕ່ໍາ Con Fi Truce Con ແລະການທົດສອບຄວາມສາມາດສໍາລັບຜົນຜະລິດໃນຂະບວນການທີ່ສາມາດກໍານົດວ່າສາມາດກໍານົດວ່າຂະບວນການຜະລິດຕອບສະຫນອງຄວາມຕ້ອງການຄວາມສາມາດ. kaempf [18] ໄດ້ໃຊ້ການທົດສອບ binomial ກັບຕອນທີ່ໃຫ້ຜົນຜະລິດຜົນຜະລິດຜົນຜະລິດຂອງ Wafers ຜະລິດຕົວຈິງກັບ ລະບຸແຫລ່ງຂໍ້ມູນທີ່ຂາດຕົກບົກໃນຂະບວນການຜະລິດ. do et et al. [9] ໄດ້ອະທິບາຍເຖິງການວິເຄາະສ່ວນປະກອບຂອງຜູ້ອໍານວຍການທີ່ເນົ່າເປື່ອຍ ການປ່ຽນແປງການປ່ຽນແປງໂດຍໃຊ້ສະຖິຕິຂອງການວັດແທກຈາກການຜະລິດ.

Sobino ແລະ Bravo [32] ປະກອບການຄິດໄລ່ທີ່ບໍ່ດີທີ່ຈະຮຽນຮູ້ສາເຫດທີ່ມີຄຸນນະພາບຈາກຂໍ້ມູນທີ່ມີຄຸນນະພາບຕ່ໍາ. ສຸດທ້າຍແລະ Kandel [22] ໄດ້ສະແດງເຄືອຂ່າຍຄວາມຮັບຮູ້ທີ່ອັດຕະໂນມັດສໍາລັບການວາງແຜນທີ່ຖືກຕ້ອງໂດຍຜ່ານ ການກໍ່ສ້າງແບບອັດຕະໂນມັດຂອງແບບຈາກຊຸດຂໍ້ມູນທີ່ບໍ່ມີສຽງດັງ.

ເຕັກນິກຫນຶ່ງສາມາດຖືກລວມເຂົ້າກັບເຕັກນິກອື່ນໆເພື່ອປັບປຸງຄຸນນະພາບຂອງການຄົ້ນຄວ້າ, ເມື່ອຖືກນໍາໃຊ້ໃນຂະບວນການຄາດຄະເນຜົນຜະລິດ. Kang et al. [19] ການຕັດສິນໃຈຕັດສິນໃຈແບບ inductive ແລະ nns ທີ່ມີການຂະຫຍາຍພັນກັບຄືນໄປບ່ອນແລະ Som algorithms ໃນການຄຸ້ມຄອງຜົນຜະລິດໃນຂະບວນການຜະລິດ semiconduor ທີ່ສໍາຄັນ. shin ແລະ park [31] ປະສົມປະສານສຸດທິສຸດທ້າຍ - ການເຮັດວຽກແລະການສົມເຫດສົມຜົນໂດຍອີງໃສ່ຄວາມຈໍາເພື່ອພັດທະນາລະບົບການຄາດຄະເນຂອງ Wafer ໃຫ້ກັບການຜະລິດ semiconductor. ຍາງປຽນ et al. [40] ການຄົ້ນຫາ TABU ປະສົມແລະການຈໍາລອງການອອກແບບການສໍາຮອງຮູບແບບແລະການຈັດການດ້ານເອກະສານອັດຕະໂນມັດໃນການຜະລິດເຄື່ອງປະດັບໂດຍອັດຕະໂນມັດ.

Chien et al. [8] ລວມມີ K-Meantering ແລະຕົ້ນໄມ້ການຕັດສິນໃຈທີ່ຈະເຮັດໃຫ້ສາເຫດຂອງຄວາມແຕກຕ່າງແລະການຜະລິດຂັ້ນຕອນການຜະລິດ. hsu ແລະ chien [13] ປະສົມປະສານສະຖິຕິຂອງພື້ນທີ່ແລະ ເຄືອຂ່າຍ neurnance net ອະນຸຍາດໃຫ້ມີການສະກັດເອົາຮູບແບບຈາກແຜນທີ່ Bin Maps ແລະເຂົ້າຮ່ວມກັບຂໍ້ບົກຜ່ອງດ້ານການຜະລິດ. Li ແລະ Huang [23] ປະສົມປະສານແຜນທີ່ການຈັດຕັ້ງຕົນເອງ (SOM) ແລະເຄື່ອງສໍາລອງທີ່ສະຫນັບສະຫນູນ (SVM): The Som ແຜນທີ່ bin wafer; SVM Classi Fi ແມ່ນແຜນທີ່ Bin Wafer Bin ເພື່ອກໍານົດຄວາມຜິດປົກກະຕິດ້ານການຜະລິດ. wang [35] ໄດ້ສະແດງລະບົບການບົ່ງມະຕິຄວາມບົກຜ່ອງດ້ານການກວດສອບຄວາມຜິດພາດສໍາລັບ semiconductor semiconductor, ເຊິ່ງລວມເອົາຂໍ້ຜິດພາດທີ່ຜິດພາດ ກຸ່ມທີ່ອີງໃສ່ແກ່ນຂອງແກ່ນ, ແລະຕົ້ນໄມ້ການຕັດສິນໃຈ. Romaniuk ແລະ Hall [29] ໄດ້ວາງແຜນ SC-Net ທີ່ໃຫ້ຄວາມສາມາດໃນການຮຽນຮູ້ໃນການເຊື່ອມຕໍ່ປະສົມ / ວິທີການທີ່ເປັນສັນຍາລັກເພື່ອກວດພົບ semiconductor ຄວາມຜິດຂອງ Wafer. Chaudhry et al. [6] ສະເຫນີວິທີການທີ່ມີຄວາມສໍາພັນທີ່ມີຄວາມສໍາພັນ.

ເຂດຄົ້ນຄ້ວາອື່ນໆການນໍາໃຊ້ປະສົມ CBR

Liao [25] ການດໍາເນີນການສຶກສາລະບົບການສຶກສາຂອງລາວ, ການປະຕິບັດການອອກແບບປະຕິບັດການ ການສ້າງແບບຈໍາລອງແລະການຄຸ້ມຄອງຄວາມຮູ້, ການວາງແຜນການແພດແລະການນໍາໃຊ້, ແລະການຄາດຄະເນພື້ນທີ່.

ວິທີການ CBR ປະສົມປະສານໄດ້ຮັບຮອງເອົາຢ່າງກວ້າງຂວາງໃນການຜະລິດການຜະລິດແລະການບົ່ງມະຕິຄວາມຜິດ. Hui ແລະ Jha [16] ປະສົມປະສານ NN, CBR, ແລະອີງໃສ່ການສະຫນັບສະຫນູນກິດຈະກໍາການບໍລິການລູກຄ້າ, ເຊັ່ນ: ເຄື່ອງຕັດສິນໃຈແລະເຄື່ອງຈັກ ການບົ່ງມະຕິຜິດໃນສະພາບແວດລ້ອມການຜະລິດ. Liao [26] ປະສົມປະສານວິທີການ cbr ທີ່ມີຄວາມຮັບຄວາມຮັບຮູ້ທີ່ຫຼາກຫຼາຍຊັ້ນສໍາລັບເຄື່ອງກົນຈັກອັດຕະໂນມັດຂອງກົນໄກການວິເຄາະຄວາມລົ້ມເຫຼວໃນຂະບວນການວິເຄາະລົ້ມເຫລວທັງຫມົດ. Yang et al. [39] ປະສົມປະສານ cBR ດ້ວຍສິນລະປະ Kothonen NN ເພື່ອຍົກເລີກການວິນິດໄສທີ່ຜິດຂອງເຄື່ອງຈັກໄຟຟ້າ. Tan et al. [34] ປະສົມປະສານ cbr ແລະ The Fuzzy Armap NN ເພື່ອສະຫນັບສະຫນູນຜູ້ຈັດການໃນການຕັດສິນໃຈການລົງທືນດ້ານການລົງທືນດ້ານເຕັກໂນໂລຢີທີ່ທັນເວລາແລະທີ່ດີທີ່ສຸດ. Saridakis ແລະ Dentsoras [30] ໄດ້ແນະນໍາການອອກແບບທີ່ອີງໃສ່ກໍລະນີທີ່ມີລະບົບຄອມພິວເຕີ້ທີ່ອ່ອນໆເພື່ອປະເມີນການອອກແບບ paraletric ຂອງລໍາລຽງທີ່ໃຊ້ໃນການຂົນສົ່ງ.

ການຄົ້ນຄວ້າຕໍ່ໄປນີ້ເຮັດວຽກໃນແບບຈໍາລອງຄວາມຮູ້ແລະເຂດບໍລິຫານໄດ້ຖືກພັດທະນາແລ້ວ. hui et al. [15] ລວມວິທີການ cbr ແລະ nn ເພື່ອສະກັດເອົາຄວາມຮູ້ຈາກການບໍລິການລູກຄ້າທີ່ຜ່ານມາແລະຈື່ໄດ້ທີ່ເຫມາະສົມ ການບໍລິການ. choy et al. [10] ພັດທະນາລະບົບການຄຸ້ມຄອງຄວາມສໍາພັນທີ່ສະຫນອງໃຫ້ແກ່ຜູ້ສະຫນັບສະຫນູນລູກປະສົມເພື່ອເລືອກແລະດັດຊະນີເຕັກນິກທີ່ມີທ່າແຮງຂອງຜະລິດຕະພັນຜູ້ບໍລິໂພກ Honewark ທີ່ມີຈໍາກັດໃນຮ່ອງກົງ. yu ແລະ liu [41] ສະເຫນີການປະສົມຂອງທັງເຕັກນິກການສົມເຫດສົມຜົນແລະຕົວເລກຕົວເລກເພື່ອໃຫ້ໄດ້ຄວາມຖືກຕ້ອງສູງແລະເອົາຊະນະບັນຫາການຂາດແຄນຂໍ້ມູນໃນຖານຂໍ້ມູນໂຄງການກໍ່ສ້າງ. Chen ແລະ HSU [7] ແກ້ໄຂບັນຫາການຟ້ອງຮ້ອງທີ່ມີທ່າແຮງ ເກີດມາຈາກການປ່ຽນແປງຄໍາສັ່ງໃນໂຄງການກໍ່ສ້າງ. ພວກເຂົາໄດ້ນໍາໃຊ້ NNS ເພື່ອຄາດຄະເນຄວາມເປັນໄປໄດ້ໃນການດໍາເນີນຄະດີ, ແລະນໍາໃຊ້ CBR ເພື່ອໃຫ້ຜົນຜະລິດເຕືອນ. Im ແລະ Park [17] ໄດ້ພັດທະນາລະບົບຜູ້ຊ່ຽວຊານຂອງ CBR ແລະ NN ສໍາລັບລະບົບການໃຫ້ຄໍາປຶກສາສ່ວນຕົວ ສໍາລັບອຸດສະຫະກໍາເຄື່ອງສໍາອາງ. Liu et al. [27] ພັດທະນາເຕັກນິກການຫຼຸດຜ່ອນສະມາຄົມເພື່ອຫຼຸດຜ່ອນຂະຫນາດຂອງຖານຄະດີເພື່ອເພີ່ມຄວາມສາມາດ Eff Fi ໃນຂະນະທີ່ປັບປຸງຄວາມຖືກຕ້ອງຂອງ CBR. Sun et al. [33] ກໍ່ສ້າງ a ພື້ນຖານກໍລະນີໂດຍອີງໃສ່ທັງສອງສາຍພົວພັນທີ່ຄ້າຍຄືກັນແລະການພົວພັນຄ້າຍຄືກັນ Fuzzy, ເຊິ່ງທັງສອງ de fi ned ໃນໂລກທີ່ເປັນໄປໄດ້ຂອງບັນຫາແລະວິທີແກ້ໄຂ.

ປະສົມ CBR ກໍ່ໄດ້ຖືກນໍາໃຊ້ໃນເຂດທີ່ວາງແຜນທາງການແພດແລະເຂດສະຫມັກ. GUIU et al. [12] ໄດ້ແນະນໍາລະບົບ Classi Fi ER ຂອງກໍລະນີເພື່ອແກ້ໄຂການບົ່ງມະຕິອັດຕະໂນມັດຂອງຮູບພາບການລ້ຽງສັດຊີວະພາບແບບອັດຕະໂນມັດ. HSU ແລະ HU [14] ລວມ CBR, NN, FUZZY ທິດສະດີ, ແລະທິດສະດີ intiation ຮ່ວມກັນເພື່ອອໍານວຍຄວາມສະດວກໃນການບົ່ງມະຕິພະຍາດຫຼາຍຢ່າງແລະການຮຽນຮູ້ຄວາມຮູ້ຄວາມສາມາດໃຫມ່. Wyns et al. [38] ນໍາໃຊ້ modi fi ed kohonen ແຜນທີ່ປະສົມປະສານກັບເງື່ອນໄຂການປະເມີນ CBR ເພື່ອຄາດເດົາກ່ອນໄວອັນຄວນ ໂລກຂໍ້ອັກເສບ, ລວມທັງໂລກຂໍ້ອັກເສບຂໍ່ແລະ Spondylaarthropathy. Ahn ແລະ Kim [1] ລວມ CBR ດ້ວຍລະບົບ algorithms ເພື່ອປະເມີນຄຸນລັກສະນະ cytological ທີ່ໄດ້ຮັບຈາກການສະແກນຂອງເຕົ້ານົມ fi nespirate (FNA) ເລື່ອນລົງ.

CBRID CBRS ໄດ້ຖືກນໍາໃຊ້ໃນພື້ນທີ່ການຄາດຄະເນຂອງ FI Nacial ເຊັ່ນກັນ. Kim ແລະ Han [20] ໄດ້ສະເຫນີວິທີການດັດສະນີຄະດີຂອງ CBR ເຊິ່ງນໍາໃຊ້ SOM ສໍາລັບການຄາດຄະເນຂອງການໃຫ້ຄະແນນພັນທະບັດຂອງບໍລິສັດ. Li et al. [24] ແນະນໍາໃຫ້ອີງໃສ່ຄຸນນະສົມບັດ ມາດຕະການທີ່ຄ້າຍຄືກັນໃນການຈັດການກັບການຄາດຄະເນທີ່ຫນ້າເຊື່ອຖືຂອງ FI. Chang ແລະ Lai [4] ປະສົມປະສານ SOM ແລະ CBR ສໍາລັບການຄາດຄະເນການຂາຍປື້ມທີ່ຖືກປ່ອຍຕົວໃຫມ່. Chang et al. [5] ພັດທະນາລະບົບ CBR ກັບ ການຄາດຄະເນພັນທຸກໍາສໍາລັບຜູ້ຂາຍສົ່ງທີ່ສົ່ງຄືນການຄາດຄະເນປື້ມ. Chun ແລະ Park [11] ໄດ້ວາງແຜນການລະເມີດ CBR ສໍາລັບການຄາດຄະເນຂອງ FI Kumar ແລະ Ravi [21] ນໍາສະເຫນີການທົບທວນທີ່ສົມບູນແບບຂອງວຽກງານການນໍາໃຊ້ NN ແລະ CBR ເພື່ອແກ້ໄຂບັນຫາການຄາດຄະເນການລົ້ມລະລາຍປະເຊີນກັບທະນາຄານ.

ລະບົບການຄາດຄະເນຂອງລູກປະສົມໃນອຸດສາຫະກໍາ semiconductor (Hypssi)

ເພື່ອປັບປຸງຄວາມສາມາດໃນການຄາດຄະເນຜົນໄດ້ຮັບທີ່ລະບົບການຄາດຄະເນຜົນຜະລິດຂອງຜົນຜະລິດທີ່ຖືກຕ້ອງໄດ້ຖືກພັດທະນາໃນອຸດສາຫະກໍາເຄິ່ງຫນຶ່ງ (Hypssi). ມັນແມ່ນວິທີການປະສົມດັ່ງຕໍ່ໄປນີ້, ສົມທົບເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊັ່ນ ເຄືອຂ່າຍ Ag- Agation Agation (BPN), CBR, ແລະ K NN (ເບິ່ງຮູບ 1).

Hypssi ປະກອບມີສີ່ໄລຍະ: ການຮຽນຮູ້ກ່ຽວກັບຄວາມສໍາພັນລະຫວ່າງຕົວແປກໍລະນີແລະຜົນຜະລິດ, ສະກັດເອົາຄະດີທີ່ຄ້າຍຄືກັນ, ແລະນ້ໍາຫນັກຂອງຜົນຜະລິດທີ່ສະກັດ. ໄລຍະທໍາອິດຂອງການທໍາອິດ fi nds ຄວາມສໍາຄັນຂອງ ຕົວແປທີ່ເປັນເອກະລາດຈາກຄວາມສໍາພັນລະຫວ່າງຕົວປ່ຽນແປງເອກະລາດ (I.E. , ຂະບວນການຜະລິດທີ່ມີຕົວປ່ຽນແປງ) ແລະຕົວແປທີ່ຂື້ນກັບ (i.e. , ຜົນຜະລິດ). ໃນເວລາທີ່ການຝຶກອົບຮົມຂອງ BPN ແມ່ນ fi nished ໃນຕົວຢ່າງຂອງຖານທີ່ມີຜົນຜະລິດ, ໄດ້ ນ້ໍາຫນັກການເຊື່ອມຕໍ່ຂອງເຄືອຂ່າຍ neural ທີ່ໄດ້ຮັບການຝຶກອົບຮົມເປີດເຜີຍຄວາມສໍາຄັນຂອງຄວາມສໍາພັນລະຫວ່າງຕົວແປແລະຜົນຜະລິດຂອງຂະບວນການ.

ເພື່ອໃຫ້ໄດ້ຮັບນ້ໍາຫນັກທີ່ກໍານົດໄວ້ຈາກເຄືອຂ່າຍທີ່ໄດ້ຮັບການຝຶກອົບຮົມ, ວິທີການນ້ໍາຫນັກ 4 ອັນແມ່ນນໍາໃຊ້: ຄວາມອ່ອນໄຫວ, ຄວາມອ່ອນໄຫວ, ແລະຄວາມກ່ຽວຂ້ອງກັບ. ແຕ່ລະວິທີການເຫຼົ່ານີ້ຄິດໄລ່ລະດັບຂອງແຕ່ລະຄຸນລັກສະນະຂອງແຕ່ລະອັນ ຄວາມສໍາຄັນໂດຍການນໍາໃຊ້ນ້ໍາຫນັກການເຊື່ອມຕໍ່ແລະແບບແຜນການກະຕຸ້ນຂອງຂໍ້ໃນເຄືອຂ່າຍ nealal ທີ່ໄດ້ຮັບການຝຶກອົບຮົມ. ສູດການຄິດໄລ່ທີ່ມີຄຸນລັກສະນະຂອງຄຸນລັກສະນະແມ່ນ Brie FR y ໄດ້ອະທິບາຍດັ່ງຕໍ່ໄປນີ້:

'ວິທີການນ້ໍາຫນັກທີ່ອ່ອນໄຫວ: ຄວາມລະອຽດອ່ອນຂອງ Node' S ອ່ອນເພຍ (Seni) ຖືກຄິດໄລ່ໂດຍການກໍາຈັດຂໍ້ມູນອອກຈາກເຄືອຂ່າຍ neural ທີ່ໄດ້ຮັບການຝຶກອົບຮົມ. ຄວາມອ່ອນໄຫວຂອງ Node Input Node ແມ່ນຄວາມແຕກຕ່າງໃນຄວາມຜິດພາດລະຫວ່າງການໂຍກຍ້າຍຂອງ ຄຸນນະສົມບັດແລະໃນເວລາທີ່ມັນຖືກປະໄວ້ຢູ່ໃນສະຖານທີ່. Seni ໄດ້ຖືກຄິດໄລ່ໂດຍສົມຜົນຕໍ່ໄປນີ້

ບ່ອນທີ່ E (0) ສະແດງຈໍານວນເງິນທີ່ມີຄວາມຜິດພາດຫຼັງຈາກຖອດ Node Node I ແລະ E (WF) ຫມາຍເຖິງຄ່າຄວາມຜິດພາດໃນເວລາທີ່ node ຖືກປະຖິ້ມໄວ້. ມູນຄ່າຂໍ້ຜິດພາດແມ່ນອີງໃສ່ສົມຜົນຕໍ່ໄປນີ້

ບ່ອນທີ່ CB ແມ່ນພື້ນຖານກໍລະນີທີ່ມີຕົວແປກໍລະນີ (ຄຸນນະສົມບັດ) ແລະຜົນຜະລິດທີ່ສອດຄ່ອງກັນແລະ y

ການແນະນໍາ

ໃນການຜະລິດ semicondoructors, ຜະລິດຕະພັນ nal fi ແມ່ນຖືກຜະລິດໂດຍຜ່ານຫລາຍຮ້ອຍຂະບວນການທີ່ມີອາຍຸຍືນສູງແລະເປັນເວລາຫຼາຍ. ຂະບວນການຜະລິດສ່ວນໃຫຍ່ໃນການນໍາໃຊ້ໃນມື້ນີ້ແມ່ນສັບຊ້ອນແລະ ກາຍເປັນໃນ fi nitesimal ໃນເວລາທີ່ໃຊ້ເຕັກໂນໂລຢີຂະຫນາດ nanometer-extiving.

ສໍາລັບຜູ້ຜະລິດຫຼືວິສະວະກອນເຫລົ່ານັ້ນ, ຜົນຜະລິດແມ່ນຖືວ່າເປັນປັດໃຈທີ່ສໍາຄັນທີ່ສຸດທີ່ຕ້ອງໄດ້ຮັບການຕິດຕາມແລະຄວບຄຸມ. ຜົນຜະລິດແມ່ນ de fi ned ເປັນອັດຕາສ່ວນຂອງຜະລິດຕະພັນທໍາມະດາສໍາລັບຜະລິດຕະພັນທີ່ມ່ວນຊື່ນ. ການຄຸ້ມຄອງຜົນຜະລິດໃນ semiconductor ໄດ້ ອຸດສາຫະກໍາແມ່ນເຂົ້າໃຈເປັນລະບົບວິເຄາະທີ່ສົມບູນແບບເຊິ່ງມີຄຸນລັກສະນະຂອງລະບົບທີ່ສັບສົນ. ລະບົບທີ່ສັບສົນມີຕົວແປທີ່ມີເອກະລາດຫຼາຍຢ່າງທີ່ພົວພັນກັບກັນແລະກັນໃນຫລາຍວິທີທີ່ສັບສົນ. ດັ່ງນັ້ນ, ມັນຖືວ່າຍາກທີ່ຈະຄາດເດົາແລະຄວບຄຸມຍາກ.

ຜົນຜະລິດໃນຮູບແບບ semiconductor ໄດ້ຮັບຜົນກະທົບຢ່າງແຮງໂດຍຫລາຍປັດໃຈ, ລວມທັງອະນຸພາກຫຼືສານປົນເປື້ອນໃນເຄື່ອງມືຜະລິດ, ທັດສະນີຍະພາບການຜະລິດ, ແລະການອອກແບບ semiconductors.

ບໍລິສັດ semiconductor ສາມາດບັນລຸລະດັບທີ່ແນ່ນອນຂອງຜົນຜະລິດໂດຍການນໍາໃຊ້ຂັ້ນຕອນການຄວບຄຸມຂັ້ນຕອນແລະ 6-sigma ກັບ semiconductor. ຜົນຜະລິດຜົນຜະລິດການເຮັດວຽກການວັດແທກດ້ານສະຖິຕິດ້ານສະຖິຕິທີ່ມີຄວາມຫຍຸ້ງຍາກໃນການປ້ອງກັນຜົນຜະລິດຕ່ໍາ ເປັນການລ່ວງຫນ້າຢ່າງມີປະສິດຕິຜົນ. ນີ້ແມ່ນຍ້ອນວ່າຂະບວນການຜະລິດທີ່ມີຜົນກະທົບຕໍ່ການປ່ຽນແປງຂອງຜົນຜະລິດມີສາຍພົວພັນທີ່ສັບສົນທີ່ບໍ່ແມ່ນສາຍ. ເນື່ອງຈາກມີຜົນກະທົບແບບໂຕ້ຕອບນີ້ໃນບັນດາຕົວແປ, ຜູ້ຜະລິດ Fi Nd ມັນແມ່ນຄວາມແຕກຕ່າງທີ່ແຕກຕ່າງກັນໃນການຊີ້ແຈງບັນຫາໃນເວລາ, ເມື່ອມີການປ່ຽນແປງເລັກໆນ້ອຍໆໃນການພົວພັນລະຫວ່າງຕົວກໍານົດການຂະບວນການສາມາດເຮັດໃຫ້ເກີດຜົນຜະລິດ.

ດັ່ງນັ້ນ, ເຕັກນິກທີ່ສະຫຼາດອື່ນໆແມ່ນມີຄວາມຈໍາເປັນເພື່ອກວດສອບຕົວແປຂະບວນການຕົ້ນຕໍເຊິ່ງມີຜົນກະທົບຢ່າງຮຸນແຮງຕໍ່ການປ່ຽນແປງໃນຜົນຜະລິດ. ການສຶກສາຄັ້ງນີ້ໄດ້ພັດທະນາລະບົບການຄາດຄະເນຜົນຜະລິດຂອງຜົນຜະລິດປະສົມໃນອຸດສາຫະກໍາ semiconductor, ທີ່ເອີ້ນວ່າ Hypssi, ເປັນການປະກອບເຂົ້າກັບວິທີການສະຖິຕິທີ່ມີຢູ່ແລ້ວ. ລະບົບນີ້ແມ່ນອີງໃສ່ການນໍາໃຊ້ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກໃນການສະແດງຕົວແປຂະບວນການຫຼາຍຕົວແປທີ່ກ່ຽວຂ້ອງກັບການຄາດເດົາຜົນຜະລິດການຜະລິດຢ່າງມີປະສິດທິຜົນ ການຜະລິດ semiconductor. Hypssi ຮັບຮອງເອົາເຄືອຂ່າຍ Neural (NNS) ແລະການຫາເຫດຜົນທີ່ອີງໃສ່ກໍລະນີ (CBR) ເຊິ່ງສາມາດໃຊ້ໄດ້ໂດຍກົງກັບຈຸດປະສົງການຄາດຄະເນ. ເຖິງຢ່າງໃດກໍ່ຕາມ, CBB ປະສົບກັບຄວາມນ້ໍາຫນັກຄຸນນະສົມບັດ; ເມື່ອມັນວັດໄລຍະຫ່າງລະຫວ່າງ ກໍລະນີ, ບາງລັກສະນະຄວນມີນ້ໍາຫນັກແຕກຕ່າງກັນ. ມີຫຼາຍຈຸດທີ່ໄດ້ຮັບການເບິ່ງແຍງເພື່ອນບ້ານໃກ້ຄຽງທີ່ໃກ້ທີ່ສຸດຂອງ K-NN) ໄດ້ຖືກສະເຫນີໃຫ້ປັບປຸງໃຫ້ມີຄຸນລັກສະນະທີ່ສູງກວ່າເກົ່າແກ່ຈຸດປະສົງທີ່ກ່ຽວຂ້ອງກັບ CONDIVE [2,37]. ເຖິງແມ່ນວ່າຜູ້ທີ່ ມີການລາຍງານວ່າມີການປ່ຽນແປງຄວາມຖືກຕ້ອງຂອງການດຶງຂອງພວກເຂົາກ່ຽວກັບວຽກງານບາງຢ່າງ, ມີການນໍາໃຊ້ກັບເຄືອຂ່າຍ neural ເພື່ອຄາດຄະເນ ຜົນຜະລິດຜົນຜະລິດໃນການຜະລິດ semiconductor.

ເພື່ອຊັ່ງນໍ້າຫນັກຂອງການຄຸ້ມຄອງແລະຄູ່ມື CBR, Hypssi ຮັບຮອງເອົາວິທີການນ້ໍາຫນັກ 4 ອັນ: ຄວາມອ່ອນໄຫວ, ຄວາມຄ່ອງແຄ້ວ, ແລະຄວາມກ່ຽວຂ້ອງ. ແຕ່ລະວິທີການຄິດໄລ່ລະດັບຄວາມສໍາຄັນຂອງແຕ່ລະຄຸນລັກສະນະໂດຍການໃຊ້ນ້ໍາຫນັກການເຊື່ອມຕໍ່ແລະ ຮູບແບບການເຄື່ອນໄຫວຂອງຂໍ້ໃນເຄືອຂ່າຍ neural ທີ່ໄດ້ຮັບການຝຶກອົບຮົມ.

ເພື່ອໃຫ້ມີການຢັ້ງຢືນວິທີການແບບປະສົມນີ້ພາຍໃນອຸດສາຫະກໍາ semiconductor, hypssi ໄດ້ຖືກນໍາໃຊ້ກັບບໍລິສັດສາກົນ Semiconductor, ເຊິ່ງໄດ້ຮັບການຈັດອັນດັບຫນຶ່ງຂອງຜູ້ຜະລິດຊັ້ນສູງໃນໂລກ. ຫລັງຈາກປຽບທຽບປະສົມນີ້ ວິທີການທີ່ມີວິທີການອື່ນໆທີ່ໄດ້ຖືກນໍາໃຊ້, ເອກະສານສະບັບນີ້ສະແດງວິທີການປະສົມປະກອບເປັນການຄາດຄະເນຜົນຜະລິດທີ່ຖືກຕ້ອງກວ່າ.

ເອກະສານສະບັບນີ້ຖືກຈັດຂື້ນດັ່ງຕໍ່ໄປນີ້: ການທົບທວນຄືນພາກທີ 2 ການທົບທວນຄືນການຄຸ້ມຄອງຜົນຜະລິດຕ່າງໆທີ່ນໍາໃຊ້ໃນການຜະລິດຜົນຜະລິດ. ພາກນີ້ສຸມໃສ່ການສະຫມັກປະສົມປະສົມປະສານກັບເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກ.

ພາກທີ 3 ອະທິບາຍວິທີການຂອງລະບົບການຄາດຄະເນຜົນຜະລິດຂອງຜົນຜະລິດປະສົມໃນອຸດສາຫະກໍາ semiconductor, ທີ່ເອີ້ນວ່າ hypssi. ຜົນໄດ້ຮັບໃນການທົດລອງຈະຖືກນໍາສະເຫນີໃນພາກທີ 4 ເພື່ອຢັ້ງຢືນລະບົບ. ສຸດທ້າຍ, ເອກະສານສະບັບນີ້ແມ່ນສະຫຼຸບໂດຍ Brie fl y ສະຫຼຸບໂດຍສະຫຼຸບການສຶກສາແລະທິດທາງຂອງການຄົ້ນຄວ້າໃນອະນາຄົດ.

ການທົບທວນວັນນະຄະດີ

ວິທີການຄົ້ນຄວ້າທີ່ນໍາໃຊ້ກັບການຜະລິດ semiconductor

ໃນອຸດສະຫະກໍາເຕັກໂນໂລຢີສູງເຊັ່ນ: ການປັບປຸງ semiconductor, ການປັບປຸງຜົນຜະລິດແມ່ນມີຄວາມສໍາຄັນຫຼາຍຂື້ນເລື້ອຍໆທີ່ມີຄວາມສັບສົນແລະຫຼາຍປັດໃຈທີ່ມີຜົນກະທົບຕໍ່ຜົນຜະລິດຂອງການເຮັດວຽກຂອງ Wafers Friended. ສອງສາມ ການສຶກສາໄດ້ມີຈຸດປະສົງເພື່ອປັບປຸງການປະຕິບັດຜົນຜະລິດແລະເພື່ອຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນການດໍາເນີນງານແລະທຶນໃນອຸດສະຫະກໍາ semiconductor. ມີວິທີການສະຖິຕິຫຼາຍຢ່າງທີ່ນໍາໃຊ້ກັບການຜະລິດ semiconductor. Wang [36] ໃຊ້ຕ່ໍາ Con Fi Truce Con ແລະການທົດສອບຄວາມສາມາດສໍາລັບຜົນຜະລິດໃນຂະບວນການທີ່ສາມາດກໍານົດວ່າສາມາດກໍານົດວ່າຂະບວນການຜະລິດຕອບສະຫນອງຄວາມຕ້ອງການຄວາມສາມາດ. kaempf [18] ໄດ້ໃຊ້ການທົດສອບ binomial ກັບຕອນທີ່ໃຫ້ຜົນຜະລິດຜົນຜະລິດຜົນຜະລິດຂອງ Wafers ຜະລິດຕົວຈິງກັບ ລະບຸແຫລ່ງຂໍ້ມູນທີ່ຂາດຕົກບົກໃນຂະບວນການຜະລິດ. do et et al. [9] ໄດ້ອະທິບາຍເຖິງການວິເຄາະສ່ວນປະກອບຂອງຜູ້ອໍານວຍການທີ່ເນົ່າເປື່ອຍ ການປ່ຽນແປງການປ່ຽນແປງໂດຍໃຊ້ສະຖິຕິຂອງການວັດແທກຈາກການຜະລິດ.

Sobino ແລະ Bravo [32] ປະກອບການຄິດໄລ່ທີ່ບໍ່ດີທີ່ຈະຮຽນຮູ້ສາເຫດທີ່ມີຄຸນນະພາບຈາກຂໍ້ມູນທີ່ມີຄຸນນະພາບຕ່ໍາ. ສຸດທ້າຍແລະ Kandel [22] ໄດ້ສະແດງເຄືອຂ່າຍຄວາມຮັບຮູ້ທີ່ອັດຕະໂນມັດສໍາລັບການວາງແຜນທີ່ຖືກຕ້ອງໂດຍຜ່ານ ການກໍ່ສ້າງແບບອັດຕະໂນມັດຂອງແບບຈາກຊຸດຂໍ້ມູນທີ່ບໍ່ມີສຽງດັງ.

ເຕັກນິກຫນຶ່ງສາມາດຖືກລວມເຂົ້າກັບເຕັກນິກອື່ນໆເພື່ອປັບປຸງຄຸນນະພາບຂອງການຄົ້ນຄວ້າ, ເມື່ອຖືກນໍາໃຊ້ໃນຂະບວນການຄາດຄະເນຜົນຜະລິດ. Kang et al. [19] ການຕັດສິນໃຈຕັດສິນໃຈແບບ inductive ແລະ nns ທີ່ມີການຂະຫຍາຍພັນກັບຄືນໄປບ່ອນແລະ Som algorithms ໃນການຄຸ້ມຄອງຜົນຜະລິດໃນຂະບວນການຜະລິດ semiconduor ທີ່ສໍາຄັນ. shin ແລະ park [31] ປະສົມປະສານສຸດທິສຸດທ້າຍ - ການເຮັດວຽກແລະການສົມເຫດສົມຜົນໂດຍອີງໃສ່ຄວາມຈໍາເພື່ອພັດທະນາລະບົບການຄາດຄະເນຂອງ Wafer ໃຫ້ກັບການຜະລິດ semiconductor. ຍາງປຽນ et al. [40] ການຄົ້ນຫາ TABU ປະສົມແລະການຈໍາລອງການອອກແບບການສໍາຮອງຮູບແບບແລະການຈັດການດ້ານເອກະສານອັດຕະໂນມັດໃນການຜະລິດເຄື່ອງປະດັບໂດຍອັດຕະໂນມັດ.

Chien et al. [8] ລວມມີ K-Meantering ແລະຕົ້ນໄມ້ການຕັດສິນໃຈທີ່ຈະເຮັດໃຫ້ສາເຫດຂອງຄວາມແຕກຕ່າງແລະການຜະລິດຂັ້ນຕອນການຜະລິດ. hsu ແລະ chien [13] ປະສົມປະສານສະຖິຕິຂອງພື້ນທີ່ແລະ ເຄືອຂ່າຍ neurnance net ອະນຸຍາດໃຫ້ມີການສະກັດເອົາຮູບແບບຈາກແຜນທີ່ Bin Maps ແລະເຂົ້າຮ່ວມກັບຂໍ້ບົກຜ່ອງດ້ານການຜະລິດ. Li ແລະ Huang [23] ປະສົມປະສານແຜນທີ່ການຈັດຕັ້ງຕົນເອງ (SOM) ແລະເຄື່ອງສໍາລອງທີ່ສະຫນັບສະຫນູນ (SVM): The Som ແຜນທີ່ bin wafer; SVM Classi Fi ແມ່ນແຜນທີ່ Bin Wafer Bin ເພື່ອກໍານົດຄວາມຜິດປົກກະຕິດ້ານການຜະລິດ. wang [35] ໄດ້ສະແດງລະບົບການບົ່ງມະຕິຄວາມບົກຜ່ອງດ້ານການກວດສອບຄວາມຜິດພາດສໍາລັບ semiconductor semiconductor, ເຊິ່ງລວມເອົາຂໍ້ຜິດພາດທີ່ຜິດພາດ ກຸ່ມທີ່ອີງໃສ່ແກ່ນຂອງແກ່ນ, ແລະຕົ້ນໄມ້ການຕັດສິນໃຈ. Romaniuk ແລະ Hall [29] ໄດ້ວາງແຜນ SC-Net ທີ່ໃຫ້ຄວາມສາມາດໃນການຮຽນຮູ້ໃນການເຊື່ອມຕໍ່ປະສົມ / ວິທີການທີ່ເປັນສັນຍາລັກເພື່ອກວດພົບ semiconductor ຄວາມຜິດຂອງ Wafer. Chaudhry et al. [6] ສະເຫນີວິທີການທີ່ມີຄວາມສໍາພັນທີ່ມີຄວາມສໍາພັນ.

ເຂດຄົ້ນຄ້ວາອື່ນໆການນໍາໃຊ້ປະສົມ CBR

Liao [25] ການດໍາເນີນການສຶກສາລະບົບການສຶກສາຂອງລາວ, ການປະຕິບັດການອອກແບບປະຕິບັດການ ການສ້າງແບບຈໍາລອງແລະການຄຸ້ມຄອງຄວາມຮູ້, ການວາງແຜນການແພດແລະການນໍາໃຊ້, ແລະການຄາດຄະເນພື້ນທີ່.

ວິທີການ CBR ປະສົມປະສານໄດ້ຮັບຮອງເອົາຢ່າງກວ້າງຂວາງໃນການຜະລິດການຜະລິດແລະການບົ່ງມະຕິຄວາມຜິດ. Hui ແລະ Jha [16] ປະສົມປະສານ NN, CBR, ແລະອີງໃສ່ການສະຫນັບສະຫນູນກິດຈະກໍາການບໍລິການລູກຄ້າ, ເຊັ່ນ: ເຄື່ອງຕັດສິນໃຈແລະເຄື່ອງຈັກ ການບົ່ງມະຕິຜິດໃນສະພາບແວດລ້ອມການຜະລິດ. Liao [26] ປະສົມປະສານວິທີການ cbr ທີ່ມີຄວາມຮັບຄວາມຮັບຮູ້ທີ່ຫຼາກຫຼາຍຊັ້ນສໍາລັບເຄື່ອງກົນຈັກອັດຕະໂນມັດຂອງກົນໄກການວິເຄາະຄວາມລົ້ມເຫຼວໃນຂະບວນການວິເຄາະລົ້ມເຫລວທັງຫມົດ. Yang et al. [39] ປະສົມປະສານ cBR ດ້ວຍສິນລະປະ Kothonen NN ເພື່ອຍົກເລີກການວິນິດໄສທີ່ຜິດຂອງເຄື່ອງຈັກໄຟຟ້າ. Tan et al. [34] ປະສົມປະສານ cbr ແລະ The Fuzzy Armap NN ເພື່ອສະຫນັບສະຫນູນຜູ້ຈັດການໃນການຕັດສິນໃຈການລົງທືນດ້ານການລົງທືນດ້ານເຕັກໂນໂລຢີທີ່ທັນເວລາແລະທີ່ດີທີ່ສຸດ. Saridakis ແລະ Dentsoras [30] ໄດ້ແນະນໍາການອອກແບບທີ່ອີງໃສ່ກໍລະນີທີ່ມີລະບົບຄອມພິວເຕີ້ທີ່ອ່ອນໆເພື່ອປະເມີນການອອກແບບ paraletric ຂອງລໍາລຽງທີ່ໃຊ້ໃນການຂົນສົ່ງ.

ການຄົ້ນຄວ້າຕໍ່ໄປນີ້ເຮັດວຽກໃນແບບຈໍາລອງຄວາມຮູ້ແລະເຂດບໍລິຫານໄດ້ຖືກພັດທະນາແລ້ວ. hui et al. [15] ລວມວິທີການ cbr ແລະ nn ເພື່ອສະກັດເອົາຄວາມຮູ້ຈາກການບໍລິການລູກຄ້າທີ່ຜ່ານມາແລະຈື່ໄດ້ທີ່ເຫມາະສົມ ການບໍລິການ. choy et al. [10] ພັດທະນາລະບົບການຄຸ້ມຄອງຄວາມສໍາພັນທີ່ສະຫນອງໃຫ້ແກ່ຜູ້ສະຫນັບສະຫນູນລູກປະສົມເພື່ອເລືອກແລະດັດຊະນີເຕັກນິກທີ່ມີທ່າແຮງຂອງຜະລິດຕະພັນຜູ້ບໍລິໂພກ Honewark ທີ່ມີຈໍາກັດໃນຮ່ອງກົງ. yu ແລະ liu [41] ສະເຫນີການປະສົມຂອງທັງເຕັກນິກການສົມເຫດສົມຜົນແລະຕົວເລກຕົວເລກເພື່ອໃຫ້ໄດ້ຄວາມຖືກຕ້ອງສູງແລະເອົາຊະນະບັນຫາການຂາດແຄນຂໍ້ມູນໃນຖານຂໍ້ມູນໂຄງການກໍ່ສ້າງ. Chen ແລະ HSU [7] ແກ້ໄຂບັນຫາການຟ້ອງຮ້ອງທີ່ມີທ່າແຮງ ເກີດມາຈາກການປ່ຽນແປງຄໍາສັ່ງໃນໂຄງການກໍ່ສ້າງ. ພວກເຂົາໄດ້ນໍາໃຊ້ NNS ເພື່ອຄາດຄະເນຄວາມເປັນໄປໄດ້ໃນການດໍາເນີນຄະດີ, ແລະນໍາໃຊ້ CBR ເພື່ອໃຫ້ຜົນຜະລິດເຕືອນ. Im ແລະ Park [17] ໄດ້ພັດທະນາລະບົບຜູ້ຊ່ຽວຊານຂອງ CBR ແລະ NN ສໍາລັບລະບົບການໃຫ້ຄໍາປຶກສາສ່ວນຕົວ ສໍາລັບອຸດສະຫະກໍາເຄື່ອງສໍາອາງ. Liu et al. [27] ພັດທະນາເຕັກນິກການຫຼຸດຜ່ອນສະມາຄົມເພື່ອຫຼຸດຜ່ອນຂະຫນາດຂອງຖານຄະດີເພື່ອເພີ່ມຄວາມສາມາດ Eff Fi ໃນຂະນະທີ່ປັບປຸງຄວາມຖືກຕ້ອງຂອງ CBR. Sun et al. [33] ກໍ່ສ້າງ a ພື້ນຖານກໍລະນີໂດຍອີງໃສ່ທັງສອງສາຍພົວພັນທີ່ຄ້າຍຄືກັນແລະການພົວພັນຄ້າຍຄືກັນ Fuzzy, ເຊິ່ງທັງສອງ de fi ned ໃນໂລກທີ່ເປັນໄປໄດ້ຂອງບັນຫາແລະວິທີແກ້ໄຂ.

ປະສົມ CBR ກໍ່ໄດ້ຖືກນໍາໃຊ້ໃນເຂດທີ່ວາງແຜນທາງການແພດແລະເຂດສະຫມັກ. GUIU et al. [12] ໄດ້ແນະນໍາລະບົບ Classi Fi ER ຂອງກໍລະນີເພື່ອແກ້ໄຂການບົ່ງມະຕິອັດຕະໂນມັດຂອງຮູບພາບການລ້ຽງສັດຊີວະພາບແບບອັດຕະໂນມັດ. HSU ແລະ HU [14] ລວມ CBR, NN, FUZZY ທິດສະດີ, ແລະທິດສະດີ intiation ຮ່ວມກັນເພື່ອອໍານວຍຄວາມສະດວກໃນການບົ່ງມະຕິພະຍາດຫຼາຍຢ່າງແລະການຮຽນຮູ້ຄວາມຮູ້ຄວາມສາມາດໃຫມ່. Wyns et al. [38] ນໍາໃຊ້ modi fi ed kohonen ແຜນທີ່ປະສົມປະສານກັບເງື່ອນໄຂການປະເມີນ CBR ເພື່ອຄາດເດົາກ່ອນໄວອັນຄວນ ໂລກຂໍ້ອັກເສບ, ລວມທັງໂລກຂໍ້ອັກເສບຂໍ່ແລະ Spondylaarthropathy. Ahn ແລະ Kim [1] ລວມ CBR ດ້ວຍລະບົບ algorithms ເພື່ອປະເມີນຄຸນລັກສະນະ cytological ທີ່ໄດ້ຮັບຈາກການສະແກນຂອງເຕົ້ານົມ fi nespirate (FNA) ເລື່ອນລົງ.

CBRID CBRS ໄດ້ຖືກນໍາໃຊ້ໃນພື້ນທີ່ການຄາດຄະເນຂອງ FI Nacial ເຊັ່ນກັນ. Kim ແລະ Han [20] ໄດ້ສະເຫນີວິທີການດັດສະນີຄະດີຂອງ CBR ເຊິ່ງນໍາໃຊ້ SOM ສໍາລັບການຄາດຄະເນຂອງການໃຫ້ຄະແນນພັນທະບັດຂອງບໍລິສັດ. Li et al. [24] ແນະນໍາໃຫ້ອີງໃສ່ຄຸນນະສົມບັດ ມາດຕະການທີ່ຄ້າຍຄືກັນໃນການຈັດການກັບການຄາດຄະເນທີ່ຫນ້າເຊື່ອຖືຂອງ FI. Chang ແລະ Lai [4] ປະສົມປະສານ SOM ແລະ CBR ສໍາລັບການຄາດຄະເນການຂາຍປື້ມທີ່ຖືກປ່ອຍຕົວໃຫມ່. Chang et al. [5] ພັດທະນາລະບົບ CBR ກັບ ການຄາດຄະເນພັນທຸກໍາສໍາລັບຜູ້ຂາຍສົ່ງທີ່ສົ່ງຄືນການຄາດຄະເນປື້ມ. Chun ແລະ Park [11] ໄດ້ວາງແຜນການລະເມີດ CBR ສໍາລັບການຄາດຄະເນຂອງ FI Kumar ແລະ Ravi [21] ນໍາສະເຫນີການທົບທວນທີ່ສົມບູນແບບຂອງວຽກງານການນໍາໃຊ້ NN ແລະ CBR ເພື່ອແກ້ໄຂບັນຫາການຄາດຄະເນການລົ້ມລະລາຍປະເຊີນກັບທະນາຄານ.

ລະບົບການຄາດຄະເນຂອງລູກປະສົມໃນອຸດສາຫະກໍາ semiconductor (Hypssi)

ເພື່ອປັບປຸງຄວາມສາມາດໃນການຄາດຄະເນຜົນໄດ້ຮັບທີ່ລະບົບການຄາດຄະເນຜົນຜະລິດຂອງຜົນຜະລິດທີ່ຖືກຕ້ອງໄດ້ຖືກພັດທະນາໃນອຸດສາຫະກໍາເຄິ່ງຫນຶ່ງ (Hypssi). ມັນແມ່ນວິທີການປະສົມດັ່ງຕໍ່ໄປນີ້, ສົມທົບເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊັ່ນ ເຄືອຂ່າຍ Ag- Agation Agation (BPN), CBR, ແລະ K NN (ເບິ່ງຮູບ 1).

Hypssi ປະກອບມີສີ່ໄລຍະ: ການຮຽນຮູ້ກ່ຽວກັບຄວາມສໍາພັນລະຫວ່າງຕົວແປກໍລະນີແລະຜົນຜະລິດ, ສະກັດເອົາຄະດີທີ່ຄ້າຍຄືກັນ, ແລະນ້ໍາຫນັກຂອງຜົນຜະລິດທີ່ສະກັດ. ໄລຍະທໍາອິດຂອງການທໍາອິດ fi nds ຄວາມສໍາຄັນຂອງ ຕົວແປທີ່ເປັນເອກະລາດຈາກຄວາມສໍາພັນລະຫວ່າງຕົວປ່ຽນແປງເອກະລາດ (I.E. , ຂະບວນການຜະລິດທີ່ມີຕົວປ່ຽນແປງ) ແລະຕົວແປທີ່ຂື້ນກັບ (i.e. , ຜົນຜະລິດ). ໃນເວລາທີ່ການຝຶກອົບຮົມຂອງ BPN ແມ່ນ fi nished ໃນຕົວຢ່າງຂອງຖານທີ່ມີຜົນຜະລິດ, ໄດ້ ນ້ໍາຫນັກການເຊື່ອມຕໍ່ຂອງເຄືອຂ່າຍ neural ທີ່ໄດ້ຮັບການຝຶກອົບຮົມເປີດເຜີຍຄວາມສໍາຄັນຂອງຄວາມສໍາພັນລະຫວ່າງຕົວແປແລະຜົນຜະລິດຂອງຂະບວນການ.

ເພື່ອໃຫ້ໄດ້ຮັບນ້ໍາຫນັກທີ່ກໍານົດໄວ້ຈາກເຄືອຂ່າຍທີ່ໄດ້ຮັບການຝຶກອົບຮົມ, ວິທີການນ້ໍາຫນັກ 4 ອັນແມ່ນນໍາໃຊ້: ຄວາມອ່ອນໄຫວ, ຄວາມອ່ອນໄຫວ, ແລະຄວາມກ່ຽວຂ້ອງກັບ. ແຕ່ລະວິທີການເຫຼົ່ານີ້ຄິດໄລ່ລະດັບຂອງແຕ່ລະຄຸນລັກສະນະຂອງແຕ່ລະອັນ ຄວາມສໍາຄັນໂດຍການນໍາໃຊ້ນ້ໍາຫນັກການເຊື່ອມຕໍ່ແລະແບບແຜນການກະຕຸ້ນຂອງຂໍ້ໃນເຄືອຂ່າຍ nealal ທີ່ໄດ້ຮັບການຝຶກອົບຮົມ. ສູດການຄິດໄລ່ທີ່ມີຄຸນລັກສະນະຂອງຄຸນລັກສະນະແມ່ນ Brie FR y ໄດ້ອະທິບາຍດັ່ງຕໍ່ໄປນີ້:

'ວິທີການນ້ໍາຫນັກທີ່ອ່ອນໄຫວ: ຄວາມລະອຽດອ່ອນຂອງ Node' S ອ່ອນເພຍ (Seni) ຖືກຄິດໄລ່ໂດຍການກໍາຈັດຂໍ້ມູນອອກຈາກເຄືອຂ່າຍ neural ທີ່ໄດ້ຮັບການຝຶກອົບຮົມ. ຄວາມອ່ອນໄຫວຂອງ Node Input Node ແມ່ນຄວາມແຕກຕ່າງໃນຄວາມຜິດພາດລະຫວ່າງການໂຍກຍ້າຍຂອງ ຄຸນນະສົມບັດແລະໃນເວລາທີ່ມັນຖືກປະໄວ້ຢູ່ໃນສະຖານທີ່. Seni ໄດ້ຖືກຄິດໄລ່ໂດຍສົມຜົນຕໍ່ໄປນີ້

ບ່ອນທີ່ E (0) ສະແດງຈໍານວນເງິນທີ່ມີຄວາມຜິດພາດຫຼັງຈາກຖອດ Node Node I ແລະ E (WF) ຫມາຍເຖິງຄ່າຄວາມຜິດພາດໃນເວລາທີ່ node ຖືກປະຖິ້ມໄວ້. ມູນຄ່າຂໍ້ຜິດພາດແມ່ນອີງໃສ່ສົມຜົນຕໍ່ໄປນີ້

ບ່ອນທີ່ CB ແມ່ນພື້ນຖານກໍລະນີທີ່ມີຕົວແປກໍລະນີ (ຄຸນນະສົມບັດ) ແລະຜົນຜະລິດທີ່ສອດຄ່ອງກັນແລະ y

ອີງຕາມຕາຕະລາງ, BPN + CBR_SEN ສະແດງອັດຕາຄວາມຜິດພາດຕໍ່າທີ່ສຸດເມື່ອ k ກໍານົດໃຫ້ FI VE; BPN + CBR_ACT ມີອັດຕາຄວາມຜິດພາດຕໍ່າທີ່ສຸດເມື່ອ K ຖືກກໍານົດເປັນ 11; The BPN + CBR_SAL ສະແດງອັດຕາຄວາມຜິດພາດຕໍ່າທີ່ສຸດເມື່ອ K ຖືກກໍານົດໃຫ້ເປັນ fi ve; ແລະ BPN + cbr_rel ສະແດງອັດຕາຄວາມຜິດພາດຕໍ່າທີ່ສຸດເມື່ອ K ຖືກກໍານົດໃຫ້ເປັນເກົ້າ. ນອກເຫນືອຈາກຈຸດ K ໃນແຕ່ລະວິທີການນ້ໍາຫນັກ, ອັດຕາຄວາມຜິດພາດໄດ້ເພີ່ມຂື້ນເລັກນ້ອຍ.

ຂໍ້ຜິດພາດຂອງຕາຕະລາງ 1prediction ຂອງເຫດຜົນທີ່ອີງໃສ່ຄະດີທີ່ມີ 4 ແຜນການນ້ໍາຫນັກ.

ຮູບ 2. ຄວາມຖືກຕ້ອງການຄາດຄະເນໂດຍສະເລ່ຍຂອງແຕ່ລະໂຄງການນ້ໍາຫນັກ.

ຮູບທີ 2 ສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນໂດຍສະເລ່ຍຂອງວິທີການນ້ໍາຫນັກທັງຫມົດ, ອີງຕາມການປ່ຽນແປງຂອງ k.

ທັງຫມົດ 4 ວິທີການນ້ໍາຫນັກທີ່ກ້ວາງຂວາງແມ່ນວິທີການຂອງ cbr ດຽວໃນການທົດລອງທຸກຄັ້ງ. ຍິ່ງໄປກວ່ານັ້ນ, ໃນການຂາດແຄນສ່ວນໃຫຍ່, BPN + CRB_ACT ໄດ້ສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງທີ່ສູງທີ່ສຸດ, ປະຕິບັດຕາມໂດຍ BPN +SSAL, BPN + CRBN, ແລະ BPN + cbr_sen.

ໃນຖານະເປັນ k ເພີ່ມຂື້ນເປັນ 11, ຄວາມແຕກຕ່າງໃນຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນໄດ້ຮັບການໃຫຍ່ຂື້ນລະຫວ່າງ CBR ຄົນດຽວແລະ BPN + CRB_UFT. ເຖິງຢ່າງໃດກໍ່ຕາມ, ມີຄວາມແຕກຕ່າງນ້ອຍໆໃນຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນໃນລະຫວ່າງສີ່ຄຸນນະສົມບັດ ວິທີການ.

ໂດຍທົ່ວໄປ, ມັນແມ່ນຄວາມແຕກຕ່າງທີ່ແຕກຕ່າງກັນໃນການຕັດສິນໃຈວ່າວິທີການທີ່ມີນ້ໍາຫນັກທີ່ດີທີ່ສຸດ. ຜູ້ຂຽນແນະນໍາວ່າຫນຶ່ງຄວນທົດສອບວິທີການສີ່ຢ່າງໃນໄລຍະພັດທະນາເບື້ອງຕົ້ນແລະຫຼັງຈາກນັ້ນຈັດຕັ້ງປະຕິບັດຂໍ້ຜິດພາດຂອງການຄາດຄະເນຕໍ່າທີ່ສຸດໃນ ໄລຍະການຜະລິດ. ໃນກໍລະນີນີ້, ວິທີການນ້ໍາຫນັກ BPN + CRB_Ul_UFT ແມ່ນວິທີການທີ່ຍອມຮັບໄດ້ໃນການຄາດຄະເນອັດຕາຜົນຜະລິດໃນການຜະລິດແບບເຄິ່ງ.

ສະຫຼຸບ

ການຄຸ້ມຄອງຜົນຜະລິດໃນອຸດສະຫະກໍາ semiconductor ແມ່ນການປະຕິບັດການຄຸ້ມຄອງທີ່ສໍາຄັນຫຼາຍທີ່ຕ້ອງໄດ້ຮັບການຕິດຕາມແລະຄວບຄຸມໄດ້ຫມົດ. ເພາະວ່າຕົວແປຂະບວນການຜະລິດມີສາຍພົວພັນທີ່ສັບສົນທີ່ບໍ່ແມ່ນສາຍກັບຜົນຜະລິດ, ຜູ້ຜະລິດຕ້ອງການວິທີການທີ່ສະຫຼາດໃນການຊີ້ແຈງຄວາມສໍາພັນລະຫວ່າງຕົວກໍານົດການຂະບວນການໃນເວລາ.

ໃນເອກະສານນີ້, ຜູ້ຂຽນໄດ້ວາງແຜນແລະນໍາໃຊ້ Hypssi, ວິທີການປະສົມປະສົມປະສານກັບ BPN ແລະ CBR, ເພື່ອຄາດຄະເນຜົນຜະລິດຂອງບໍລິສັດຜະລິດ semiconduor semiconduor. ໃນ Hypssi, BPN ໄດ້ຖືກນໍາໃຊ້ເພື່ອກໍານົດໃຫ້ນ້ໍາຫນັກທີ່ຂ້ອນຂ້າງ ຂະບວນການຜະລິດຂອງແຕ່ລະກໍລະນີໃນຖານທີ່ໃຫ້ເກີດຄະດີ.

ໃນຖານະເປັນການທົບທວນວັນນະຄະດີໃນພາກທີ 2 ໄດ້ເປີດເຜີຍ, ບໍ່ມີການຄົ້ນຄ້ວາທີ່ຄ້າຍຄືກັນກ່ອນຫນ້ານີ້ຈະບໍ່ມີການຄາດຄະເນອັດຕາຜົນຜະລິດຂອງ semiconductor ການນໍາໃຊ້ຄຸນນະສົມບັດ -tural Wealge CBR. hypssi ສະແດງໃຫ້ເຫັນວ່າ cbr ກັບ 'ວິທີການຊັ່ງນໍ້າຫນັກຂອງກິດຈະກໍາໄດ້ມີອັດຕາການຄາດຄະເນທີ່ດີກວ່າ, ກ່ວາ cbr ດຽວແລະທຸກວິທີການນ້ໍາຫນັກອື່ນໆ. CBR ປະສົມຍັງໄດ້ສະແດງໃຫ້ເຫັນການປະຕິບັດທີ່ດີກ່ວາວິທີການສະຖິຕິທີ່ມີຢູ່ (ຄວາມຖືກຕ້ອງການຄາດຄະເນມາ ຈາກການວິເຄາະການຟື້ນຟູທີ່ຫຼາກຫຼາຍຂອງຫຼາຍຄັ້ງບັນລຸປະມານ 80%).

ເຖິງຢ່າງໃດກໍ່ຕາມ, ເພື່ອໃຫ້ໄດ້ຄະແນນການຄາດຄະເນທີ່ຖືກຕ້ອງກວ່າ, Hypssi ຕ້ອງການຕົວແປແລະຂໍ້ມູນຂະບວນການເພີ່ມເຕີມຈາກບໍລິສັດເປົ້າຫມາຍ. ເຖິງແມ່ນວ່າເຖິງແມ່ນວ່າຕົວແປ 16 ທີ່ມີຢູ່ແລ້ວທີ່ໃຊ້ໃນເຈ້ຍນີ້ຖືກກໍານົດໂດຍວິສະວະກອນການຜະລິດ, ມັນແມ່ນຄວາມແຕກຕ່າງຂອງຄວາມຫຍຸ້ງຍາກໃນການບັນລຸໃຫ້ອັດຕາການຄາດຄະເນທີ່ຖືກຕ້ອງກວ່າໂດຍການໃຊ້ຕົວແປແລະຂໍ້ມູນເຫລົ່ານີ້ເທົ່ານັ້ນ. ນີ້ຈະເປັນຂົງເຂດຕໍ່ໄປໃນການຄົ້ນຄ້ວາໃດທີ່ຄວນດໍາເນີນການຄົ້ນຄ້ວາ.