基于智能算法的半导体生产缺陷检测方法
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究意义与背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要工作和论文组织结构 | 第13-15页 |
| 第2章 本文涉及的智能算法简介 | 第15-33页 |
| 2.1 人工神经网络 | 第15-17页 |
| 2.2 支持向量机 | 第17-19页 |
| 2.3 决策树 | 第19-22页 |
| 2.4 蚁群算法 | 第22-25页 |
| 2.5 图像边缘检测算法 | 第25-33页 |
| 2.5.1 图像边缘检测概念 | 第26-27页 |
| 2.5.2 图像边缘检测步骤 | 第27-29页 |
| 2.5.3 图像边缘检测的经典算子 | 第29-33页 |
| 第3章 基于贝叶斯网络的半导体生产故障检测方法 | 第33-44页 |
| 3.1 引言 | 第33页 |
| 3.2 问题定义 | 第33-34页 |
| 3.3 模型的结构设计 | 第34页 |
| 3.4 模型参数学习 | 第34-36页 |
| 3.5 故障检测与诊断 | 第36-37页 |
| 3.6 多步骤故障预测 | 第37-38页 |
| 3.7 实验结果 | 第38-41页 |
| 3.7.1 实验设计 | 第38-40页 |
| 3.7.2 实验结果 | 第40-41页 |
| 3.8 进一步讨论 | 第41-43页 |
| 3.9 小结 | 第43-44页 |
| 第4章 基于图像边缘检测的半导体生产缺陷检测方法 | 第44-55页 |
| 4.1 引言 | 第44-45页 |
| 4.2 相关工作 | 第45-46页 |
| 4.3 初始化 | 第46页 |
| 4.4 状态转移概率设计 | 第46-51页 |
| 4.4.1 传统转移概率 | 第46-48页 |
| 4.4.2 新的转移概率 | 第48-51页 |
| 4.5 信息素更新与边缘检测 | 第51-52页 |
| 4.6 算法的总体框架 | 第52-53页 |
| 4.7 实验结果 | 第53-55页 |
| 第5章 结论与展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |
