| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 课题研究背景及意义 | 第14页 |
| 1.2 半导体生产线描述 | 第14-18页 |
| 1.2.1 半导体生产工艺流程 | 第15页 |
| 1.2.2 半导体生产线特点 | 第15-18页 |
| 1.3 半导体生产线关键参数及调度方法研究现状 | 第18-22页 |
| 1.3.1 瓶颈设备识别现状 | 第18-19页 |
| 1.3.2 瓶颈设备预测方法研究现状 | 第19页 |
| 1.3.3 工件加工周期研究现状 | 第19-21页 |
| 1.3.4 调度方法研究现状 | 第21-22页 |
| 1.4 论文结构安排 | 第22-24页 |
| 第二章 基于增长修剪型神经网络的瓶颈预测方法 | 第24-42页 |
| 2.1 引言 | 第24页 |
| 2.2 前馈神经网络基本理论 | 第24-26页 |
| 2.2.1 前馈神经网络模型 | 第24-25页 |
| 2.2.2 反向传播学习算法 | 第25-26页 |
| 2.3 基于复合定义的瓶颈识别 | 第26-29页 |
| 2.3.1 瓶颈设备内部特性 | 第26-27页 |
| 2.3.2 瓶颈设备外部特性 | 第27-28页 |
| 2.3.3 瓶颈设备识别机制 | 第28-29页 |
| 2.4 改进的动态神经网络模型 | 第29-36页 |
| 2.4.1 模型敏感度分析 | 第29-31页 |
| 2.4.2 基于傅立叶变换的敏感度计算 | 第31-33页 |
| 2.4.3 基于敏感度分析的网络结构优化 | 第33-35页 |
| 2.4.4 动态瓶颈预测框架 | 第35-36页 |
| 2.5 仿真结果及分析 | 第36-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第三章 基于互信息的混合神经网络加工周期预测方法 | 第42-58页 |
| 3.1 引言 | 第42页 |
| 3.2 海量生产数据简化 | 第42-44页 |
| 3.2.1 基于划分思想的k-mediods算法 | 第42-44页 |
| 3.2.2 改进的CLARA算法及应用 | 第44页 |
| 3.3 网络动态结构优化 | 第44-51页 |
| 3.3.1 互信息评价指标基本理论及应用 | 第45-46页 |
| 3.3.2 基于互信息的神经网络结构优化 | 第46-50页 |
| 3.3.3 模型稳定性证明 | 第50-51页 |
| 3.4 基于等待时间的工件加工周期预测模型 | 第51-53页 |
| 3.4.1 工件加工周期分析 | 第51-52页 |
| 3.4.2 工件加工周期预测模型 | 第52-53页 |
| 3.5 仿真结果及分析 | 第53-56页 |
| 3.6 本章小结 | 第56-58页 |
| 第四章 基于全局特性的分层动态调度方法 | 第58-68页 |
| 4.1 引言 | 第58页 |
| 4.2 基于分层预估迭代思想的机器层分解 | 第58-60页 |
| 4.3 基于心跳机制的分层动态调度算法 | 第60-63页 |
| 4.3.1 结合瓶颈特性的动态WIP投料策略 | 第60-61页 |
| 4.3.2 综合上下游信息的分层动态派工规则 | 第61-62页 |
| 4.3.3 基于心跳机制的分层动态调度算法框架 | 第62-63页 |
| 4.4 仿真结果及分析 | 第63-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 结论与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 研究成果及发表的学术论文 | 第76-78页 |
| 作者和导师简介 | 第78-79页 |
| 北京化工大学专业学位硕士研究生学位论文答辩委员会决议书 | 第79-80页 |