تصفح الكمية:26 الكاتب:محرر الموقع نشر الوقت: 2018-10-23 المنشأ:محرر الموقع
في تصنيع أشباه الموصلات ، يتم تصنيع المنتجات النهائية من خلال عدة مئات من العمليات الآلية للغاية وتعتمد بشكل كبير. معظم عمليات التصنيع المستخدمة اليوم متشابكة بشكل معقد و تصبح في nitesimal عند استخدام التكنولوجيا على نطاق نانومتر.
بالنسبة لأولئك المصنعين أو المهندسين ، يعتبر العائد عاملًا مهمًا للغاية يجب مراقبته والتحكم فيه. يتم تحديد العائد كنسبة من المنتجات العادية إلى المنتجات المحددة. إدارة العائد في أشباه الموصلات يُفهم الصناعة كنظام تحليلي شامل يتمتع بخصائص نظام معقد. يحتوي النظام المعقد على العديد من متغيرات المكونات المستقلة التي تتفاعل مع بعضها البعض بعدة طرق معقدة. لذلك، يعتبر من الصعب التنبؤ والسيطرة.
يتأثر العائد في تصنيع أشباه الموصلات بشدة بعدة عوامل ، بما في ذلك الجزيئات أو الملوثات على الرقاقة ، والمواد في أدوات التصنيع ، ومعلمات عملية التصنيع ، ومواقف مهندسي العمليات ، وتصميم أشباه الموصلات.
يمكن لشركات أشباه الموصلات تحقيق درجة معينة من العائد من خلال تطبيق ضوابط العملية الإحصائية و 6-Sigma على أشباه الموصلات. ومع ذلك ، فإن تعزيز العائد باستخدام القياسات الإحصائية قد يكون مختلفًا في منع العائد المنخفض الكثير بشكل فعال مقدما. وذلك لأن متغيرات عملية التصنيع التي تؤثر على التغيرات في العائد لها علاقة معقدة غير خطية مع العائد. بسبب هذا التأثير التفاعلي بين العديد من المتغيرات والمصنعين "، من الصعب تحديد المشكلات في الوقت المناسب ، عندما يمكن أن تسبب التغييرات الصغيرة في العلاقة بين معلمات العملية تغييرات في العائد.
وبالتالي ، هناك حاجة إلى تقنيات ذكية أخرى من أجل اكتشاف متغيرات العملية الرئيسية التي تؤثر بشكل خطير على التغييرات في العائد. طورت هذه الدراسة نظام تنبؤ العائد المختلط في صناعة أشباه الموصلات ، ودعا hypssi ، كمكمل للنهج الإحصائي الحالي. يعتمد هذا النظام على تطبيق هجين لتقنيات التعلم الآلي لتصوير متغيرات العملية المتعددة المعنية بالتنبؤ بفعالية العائد في الإنتاج في تصنيع أشباه الموصلات. يعتمد HypSSI الشبكات العصبية (NNS) والتفكير القائم على الحالات (CBR) والتي يمكن تطبيقها مباشرة على أغراض التنبؤ. ومع ذلك ، CBR يعاني من الترجيح ميزة. عندما يقيس المسافة بين الحالات ، يجب أن تربى بعض الميزات بشكل مختلف. تم اقتراح العديد من المتغيرات المرجحة للميزات لجوار K-Nearest (K NN) لتعيين أوزان أعلى للميزات الأكثر صلة بأغراض استرجاع الحالات [2،37]. على الرغم من هؤلاء تم الإبلاغ عن المتغيرات على أنها تحسين دقة الاسترجاع فيما يتعلق ببعض المهام ، وقد تم استخدام القليل منهم بالتزامن مع الشبكات العصبية للتنبؤأداء العائد في تصنيع أشباه الموصلات.
من أجل وزن الميزات وتوجيه CBR ، يعتمد HypSSI أربع طرق للترجمة للميزات: الحساسية والنشاط والمعنى والأهمية. تحسب كل طريقة درجة أهمية كل ميزة باستخدام أوزان الاتصال و أنماط تنشيط العقد في الشبكة العصبية المدربة.
من أجل التحقق من صحة هذا النهج المختلط في صناعة أشباه الموصلات ، تم تطبيق HURSSI على شركة أشباه الموصلات الدولية ، التي تم تصنيفها واحدة من أفضل الشركات المصنعة في العالم. بعد مقارنة هذا الهجين الطريقة مع الطرق الأخرى التي تم استخدامها ، تُظهر هذه الورقة أن الطريقة المختلطة توفر تنبؤًا أكثر دقة للعائد.
تم تنظيم هذه الورقة على النحو التالي: يستعرض القسم 2 طرقًا مختلفة تستخدم في توفير إدارة العائد المطبقة على تصنيع أشباه الموصلات. يركز هذا القسم على التطبيقات الهجينة التي تجمع بين تقنيات التعلم الآلي.
يصف القسم 3 منهجية نظام التنبؤ بالعائد الهجين في صناعة أشباه الموصلات ، والتي تسمى HUMSSI. يتم عرض النتائج التجريبية في القسم 4 للتحقق من صحة النظام. أخيرًا ، تم إبرام هذه الورقة بواسطة Brie y تلخيص الدراسة واتجاه البحوث المستقبلية.
طرق البحث المطبقة على تصنيع أشباه الموصلات
في صناعة التكنولوجيا الفائقة مثل تصنيع أشباه الموصلات ، يكون تحسين العائد ذا أهمية متزايدة لأن تقنيات التصنيع المتقدمة معقدة والعديد من العوامل المترابطة تؤثر على عائد رقائق التصنيع. قليلة تهدف الدراسات إلى تحسين أداء العائد وتقليل تكلفة التشغيل والاستثمار في رأس المال في صناعة أشباه الموصلات. هناك العديد من الأساليب الإحصائية المطبقة على تصنيع أشباه الموصلات. استخدم وانغ [36] أقل التصرف المرتبط واختبار القدرة على عائد العملية والذي يمكن أن يحدد ما إذا كانت عمليات التصنيع تفي بمتطلبات القدرة. استخدم KaMPF [18] اختبار الحدين مع مؤامرات العائد الرسومية من رقائق الإنتاج الفعلية ل تحديد مصادر العيوب في عملية التصنيع. تشو وآخرون. [9] وصف متغير تحليل المكون الرئيسي الذي يتحلل تباين العملية باستخدام إحصائيات القياسات من التصنيع.
قام Sobrino و Bravo [32] بتجسيد خوارزمية استقرائية لتعلم الأسباب المبدئية للرقائق منخفضة الجودة من بيانات الإدارة. أخيراً وقدم Kandel [22] شبكة التصورات الآلية للتخطيط الدقيق للعائد من خلال البناء الآلي للنماذج من مجموعات البيانات الصاخبة.
يمكن دمج إحدى التقنيات مع تقنيات أخرى من أجل تحسين جودة البحث ، عند استخدامها في عملية التنبؤ بالعائد. كانغ وآخرون. [19] أشجار القرار الاستقرائي المتكامل و NNS مع انتشار الظهر و خوارزميات SOM لإدارة العوائد على عمليات تصنيع أشباه الموصلات الرئيسية. Shin and Park [31] المتكامل للأعمال الشبكية العصبية والمنطق القائم على الذاكرة لتطوير نظام تنبؤ عائد الرقاقة لتصنيع أشباه الموصلات. يانغ وآخرون. [40] بحث Tabu مختلط وتلدين محاكاة لدمج تصنيف التخطيط وأنظمة معالجة المواد الآلية في تصنيع الويفر.
شين وآخرون. [8] شملت مجموعة K-Means وشجرة القرار لاستنتاج الأسباب المحتملة للأخطاء واختلافات عملية التصنيع من بيانات تصنيع أشباه الموصلات. HSU و Chien [13] إحصائيات مكانية متكاملة و نظرية الرنين التكيفي الشبكات العصبية لاستخراج الأنماط من خرائط صندوق الويفر والربط بعيوب التصنيع. قام Li و Huang [23] بدمج خريطة التنظيم الذاتي (SOM) ودعم جهاز متجه (SVM): مجموعات SOM خرائط صندوق الويفر. تصنف SVM خرائط صندوق الويفر لتحديد عيوب التصنيع. قدم وانغ [35] نظام تشخيص العيوب المكانية لتصنيع أشباه الموصلات ، والذي يجمع بين التجميع الغامض القائم على الأخطاء المربعة و التجميع الطيفي القائم على النواة ، وشجرة القرار. ابتكر Romaniuk and Hall [29] نظام SC-NET الذي يوفر قدرة أنظمة الخبراء على التعلم في نهج اتصال/رمزي هجين من أجل اكتشاف أشباه الموصلات صدع بويفر. تشودري وآخرون. [6] اقترح منهجية تخصيص الكيانات الغامضة لبناء نموذج أولي لقاعدة بيانات علائقية غامضة لنظام تحكم منفصل مناسب لعملية تصنيع أشباه الموصلات.
Liao [25] شملها مسح أدبيات تطوير أنظمة الخبراء من 1995 إلى 2004. بناءً على عوامله ، تم تطوير التطبيقات الرئيسية التي تنفذ CBR الهجين في المجالات التالية: تصميم التصنيع وتشخيص الأعطال ، نمذجة المعرفة والإدارة ، والتخطيط الطبي والتطبيق ، ومجالات التنبؤ المالية.
تم اعتماد نهج CBR المختلط على نطاق واسع في تصميم التصنيع وتشخيص الأعطال. HUI و JHA [16] المتكامل NN و CBR والمنطق القائم على القواعد لدعم أنشطة خدمة العملاء ، مثل دعم القرار والآلة تشخيص الخطأ في بيئة التصنيع. قامت Liao [26] بدمج طريقة CBR مع Perceptron متعدد الطبقات للتعرف التلقائي لآليات الفشل في عملية تحليل الفشل بأكملها. يانغ وآخرون. [39] CBR متكامل مع Art-kohonen nn لتعزيز تشخيص الخطأ للمحركات الكهربائية. تان وآخرون. [34] المتكامل CBR و Fuzzy Artmap NN لدعم المديرين في اتخاذ قرارات الاستثمار في تكنولوجيا التصنيع في الوقت المناسب. سريداكيس و قدمت Dentsoras [30] تصميمًا قائمًا على الحالة مع نظام حوسبة ناعمة لتقييم التصميم البارامترية لناقل التذبذب.
تم تطوير الأبحاث التالية في مجالات نمذجة المعرفة والإدارة. Hui et al. [15] جمع نهج CBR و NN لاستخراج المعرفة من خدمات العملاء السابقة واستدعاء ما هو مناسب الخدمات. Choy et al. [10] طور نظام إدارة علاقات الموردين الذكي باستخدام تقنيات CBR و NN Hybrid لتحديد وقياس الموردين المحتملين لمنتجات Honeywell Consumer Limited في هونغ كونغ. يو وليو [41] اقترح تهجين كل من تقنيات التفكير الرمزي والرقم لتحقيق دقة أعلى والتغلب على مشكلة ندرة البيانات في قاعدة بيانات مشروع البناء. حل تشن و HSU [7] مشاكل الدعوى المحتملة بسبب تغيير الطلبات في مشاريع البناء. لقد استخدموا NNS للتنبؤ باحتمال التقاضي ، واستخدموا CBR لتحذير العائدات. طورت IM و Park [17] نظام خبراء مختلطين في CBR و NN لنظام استشارية مخصصة لصناعة مستحضرات التجميل. ليو وآخرون. [27] طورت تقنية تقليل الحالات القائمة على الارتباط لتقليل حجم قاعدة الحالات من أجل تعزيز الكفاءة مع تحسين دقة CBR. صن وآخرون. [33] بني أ قاعدة الحالات التي تعتمد على علاقات التشابه وعلاقات التشابه الغامضة ، والتي يتم تحديدها على عالم المشاكل والحلول المحتملة.
كما تم استخدام CBR الهجينة في مجالات التخطيط والتطبيق الطبي. GUIU et al. [12] قدم نظام تصنيف قائم على الحالات لحل التشخيص التلقائي لصور الخزعة الثديية. قام Hsu و Ho [14] بدمج CBR و NN و Fuzzy النظرية ، ونظرية الحث معًا لتسهيل تشخيص الإصابة المتعددة وتعلم معرفة التكيف الجديدة. وينز وآخرون. [38] طبقت رسم خرائط Kohonen المعدلة مع معيار تقييم CBR للتنبؤ مبكرًا التهاب المفاصل ، بما في ذلك التهاب المفاصل الروماتويدي والكبرث. قام Ahn و Kim [1] بدمج CBR مع خوارزميات وراثية لتقييم السمات الخلوية المستمدة من فحص رقمي لشرائح نضح الإبرة (FNA).
تم استخدام CBRs الهجينة في مناطق التنبؤ المالية أيضًا. قدم كيم وهان [20] طريقة إثارة الحالات في CBR والتي تستخدم SOM للتنبؤ بتصنيف سندات الشركات. لي وآخرون. [24] قدم قائم على الميزات مقياس التشابه للتعامل مع التنبؤ بالضيق المالي (على سبيل المثال ، التنبؤ بالإفلاس) في الصين. قام تشانغ و LAI [4] بدمج SOM و CBR لتوقعات المبيعات للكتب التي تم إصدارها حديثًا. تشانغ وآخرون. [5] تطور نظام CBR مع الخوارزمية الوراثية للتنبؤ بالوكيل الجملة. ابتكر Chun and Park [11] CBR الانحدار للتنبؤ المالي ، والذي يطبق أوزان مختلفة على المتغيرات المستقلة قبل تحديد حالات مماثلة. كومار ورافي [21] قدمت مراجعة شاملة للأعمال التي تستخدم NN و CBR لحل مشاكل التنبؤ بالإفلاس التي تواجهها البنوك.
من أجل تحسين قدرة التنبؤ بالعائد بدقة ، تم تطوير نظام تنبؤ العائد الهجين في صناعة شبه الموصل (HURSSI). إنها الطريقة الهجينة التالية ، الجمع بين تقنيات التعلم الآلي ، مثل شبكة التراجع الخلفية (BPN) و CBR و K NN (انظر الشكل 1).
يتكون HURSSI من أربع مراحل: التعرف على العلاقة بين متغيرات الحالة والعائد ، وتوازن الترجيح ، واستخراج الحالات المماثلة K ، والمتوسط المرجح للعوائد المستخرجة. المرحلة الأولى من الأهمية النسبية لـ المتغيرات المستقلة من العلاقة بين المتغيرات المستقلة (أي متغيرات عملية التصنيع) ومتغير تابع (أي العائد). عندما يتم تدريب BPN في مثيل قاعدة حالة العائد ، تكشف أوزان الاتصال للشبكة العصبية المدربة عن أهمية العلاقة بين متغيرات العملية والعائد.
للحصول على مجموعة من أوزان الميزة من الشبكة المدربة ، يتم استخدام أربع طرق للترويج للميزات: الحساسية والنشاط والمعنى والأهمية [28،37،42]. كل من هذه الطرق تحسب درجة كل ميزة الأهمية باستخدام أوزان الاتصال وأنماط تنشيط العقد في الشبكة العصبية المدربة. يتم وصف خوارزميات ترجمة الميزة على النحو التالي:
طريقة ترجيح "الحساسية": يتم حساب حساسية عقدة الإدخال (SENI) عن طريق إزالة عقدة الإدخال من الشبكة العصبية المدربة. حساسية عقدة الإدخال هي الفرق في الخطأ بين إزالة ميزة وعندما يتم تركها في مكانها. يتم حساب سيني بالمعادلة التالية
حيث يشير E (0) إلى مقدار الخطأ بعد إزالة عقدة الإدخال I و E (WF) تعني قيمة الخطأ عند ترك العقدة دون أن تمسها. تعتمد قيمة الخطأ على المعادلة التالية
عندما يكون CB قاعدة حالة تحتوي على متغيرات الحالة (الميزات) والعائد المقابل ويشير Y إلى قيمة العائد الفعلية وتشير OY إلى قيمة العائد التي يلاحظها BPN.
في تصنيع أشباه الموصلات ، يتم تصنيع المنتجات النهائية من خلال عدة مئات من العمليات الآلية للغاية وتعتمد بشكل كبير. معظم عمليات التصنيع المستخدمة اليوم متشابكة بشكل معقد و تصبح في nitesimal عند استخدام التكنولوجيا على نطاق نانومتر.
بالنسبة لأولئك المصنعين أو المهندسين ، يعتبر العائد عاملًا مهمًا للغاية يجب مراقبته والتحكم فيه. يتم تحديد العائد كنسبة من المنتجات العادية إلى المنتجات المحددة. إدارة العائد في أشباه الموصلات يُفهم الصناعة كنظام تحليلي شامل يتمتع بخصائص نظام معقد. يحتوي النظام المعقد على العديد من متغيرات المكونات المستقلة التي تتفاعل مع بعضها البعض بعدة طرق معقدة. لذلك، يعتبر من الصعب التنبؤ والسيطرة.
يتأثر العائد في تصنيع أشباه الموصلات بشدة بعدة عوامل ، بما في ذلك الجزيئات أو الملوثات على الرقاقة ، والمواد في أدوات التصنيع ، ومعلمات عملية التصنيع ، ومواقف مهندسي العمليات ، وتصميم أشباه الموصلات.
يمكن لشركات أشباه الموصلات تحقيق درجة معينة من العائد من خلال تطبيق ضوابط العملية الإحصائية و 6-Sigma على أشباه الموصلات. ومع ذلك ، فإن تعزيز العائد باستخدام القياسات الإحصائية قد يكون مختلفًا في منع العائد المنخفض الكثير بشكل فعال مقدما. وذلك لأن متغيرات عملية التصنيع التي تؤثر على التغيرات في العائد لها علاقة معقدة غير خطية مع العائد. بسبب هذا التأثير التفاعلي بين العديد من المتغيرات والمصنعين "، من الصعب تحديد المشكلات في الوقت المناسب ، عندما يمكن أن تسبب التغييرات الصغيرة في العلاقة بين معلمات العملية تغييرات في العائد.
وبالتالي ، هناك حاجة إلى تقنيات ذكية أخرى من أجل اكتشاف متغيرات العملية الرئيسية التي تؤثر بشكل خطير على التغييرات في العائد. طورت هذه الدراسة نظام تنبؤ العائد المختلط في صناعة أشباه الموصلات ، ودعا hypssi ، كمكمل للنهج الإحصائي الحالي. يعتمد هذا النظام على تطبيق هجين لتقنيات التعلم الآلي لتصوير متغيرات العملية المتعددة المعنية بالتنبؤ بفعالية العائد في الإنتاج في تصنيع أشباه الموصلات. يعتمد HypSSI الشبكات العصبية (NNS) والتفكير القائم على الحالات (CBR) والتي يمكن تطبيقها مباشرة على أغراض التنبؤ. ومع ذلك ، CBR يعاني من الترجيح ميزة. عندما يقيس المسافة بين الحالات ، يجب أن تربى بعض الميزات بشكل مختلف. تم اقتراح العديد من المتغيرات المرجحة للميزات لجوار K-Nearest (K NN) لتعيين أوزان أعلى للميزات الأكثر صلة بأغراض استرجاع الحالات [2،37]. على الرغم من هؤلاء تم الإبلاغ عن المتغيرات على أنها تحسين دقة الاسترجاع فيما يتعلق ببعض المهام ، وقد تم استخدام القليل منهم بالتزامن مع الشبكات العصبية للتنبؤ أداء العائد في تصنيع أشباه الموصلات.
من أجل وزن الميزات وتوجيه CBR ، يعتمد HypSSI أربع طرق للترجمة للميزات: الحساسية والنشاط والمعنى والأهمية. تحسب كل طريقة درجة أهمية كل ميزة باستخدام أوزان الاتصال و أنماط تنشيط العقد في الشبكة العصبية المدربة.
من أجل التحقق من صحة هذا النهج المختلط في صناعة أشباه الموصلات ، تم تطبيق HURSSI على شركة أشباه الموصلات الدولية ، التي تم تصنيفها واحدة من أفضل الشركات المصنعة في العالم. بعد مقارنة هذا الهجين الطريقة مع الطرق الأخرى التي تم استخدامها ، تُظهر هذه الورقة أن الطريقة المختلطة توفر تنبؤًا أكثر دقة للعائد.
تم تنظيم هذه الورقة على النحو التالي: يستعرض القسم 2 طرقًا مختلفة تستخدم في توفير إدارة العائد المطبقة على تصنيع أشباه الموصلات. يركز هذا القسم على التطبيقات الهجينة التي تجمع بين تقنيات التعلم الآلي.
يصف القسم 3 منهجية نظام التنبؤ بالعائد الهجين في صناعة أشباه الموصلات ، والتي تسمى HUMSSI. يتم عرض النتائج التجريبية في القسم 4 للتحقق من صحة النظام. أخيرًا ، تم إبرام هذه الورقة بواسطة Brie y تلخيص الدراسة واتجاه البحوث المستقبلية.
طرق البحث المطبقة على تصنيع أشباه الموصلات
في صناعة التكنولوجيا الفائقة مثل تصنيع أشباه الموصلات ، يكون تحسين العائد ذا أهمية متزايدة لأن تقنيات التصنيع المتقدمة معقدة والعديد من العوامل المترابطة تؤثر على عائد رقائق التصنيع. قليلة تهدف الدراسات إلى تحسين أداء العائد وتقليل تكلفة التشغيل والاستثمار في رأس المال في صناعة أشباه الموصلات. هناك العديد من الأساليب الإحصائية المطبقة على تصنيع أشباه الموصلات. استخدم وانغ [36] أقل التصرف المرتبط واختبار القدرة على عائد العملية والذي يمكن أن يحدد ما إذا كانت عمليات التصنيع تفي بمتطلبات القدرة. استخدم KaMPF [18] اختبار الحدين مع مؤامرات العائد الرسومية من رقائق الإنتاج الفعلية ل تحديد مصادر العيوب في عملية التصنيع. تشو وآخرون. [9] وصف متغير تحليل المكون الرئيسي الذي يتحلل تباين العملية باستخدام إحصائيات القياسات من التصنيع.
قام Sobrino و Bravo [32] بتجسيد خوارزمية استقرائية لتعلم الأسباب المبدئية للرقائق منخفضة الجودة من بيانات الإدارة. أخيراً وقدم Kandel [22] شبكة التصورات الآلية للتخطيط الدقيق للعائد من خلال البناء الآلي للنماذج من مجموعات البيانات الصاخبة.
يمكن دمج إحدى التقنيات مع تقنيات أخرى من أجل تحسين جودة البحث ، عند استخدامها في عملية التنبؤ بالعائد. كانغ وآخرون. [19] أشجار القرار الاستقرائي المتكامل و NNS مع انتشار الظهر و خوارزميات SOM لإدارة العوائد على عمليات تصنيع أشباه الموصلات الرئيسية. Shin and Park [31] المتكامل للأعمال الشبكية العصبية والمنطق القائم على الذاكرة لتطوير نظام تنبؤ عائد الرقاقة لتصنيع أشباه الموصلات. يانغ وآخرون. [40] بحث Tabu مختلط وتلدين محاكاة لدمج تصنيف التخطيط وأنظمة معالجة المواد الآلية في تصنيع الويفر.
شين وآخرون. [8] شملت مجموعة K-Means وشجرة القرار لاستنتاج الأسباب المحتملة للأخطاء واختلافات عملية التصنيع من بيانات تصنيع أشباه الموصلات. HSU و Chien [13] إحصائيات مكانية متكاملة و نظرية الرنين التكيفي الشبكات العصبية لاستخراج الأنماط من خرائط صندوق الويفر والربط بعيوب التصنيع. قام Li و Huang [23] بدمج خريطة التنظيم الذاتي (SOM) ودعم جهاز متجه (SVM): مجموعات SOM خرائط صندوق الويفر. تصنف SVM خرائط صندوق الويفر لتحديد عيوب التصنيع. قدم وانغ [35] نظام تشخيص العيوب المكانية لتصنيع أشباه الموصلات ، والذي يجمع بين التجميع الغامض القائم على الأخطاء المربعة و التجميع الطيفي القائم على النواة ، وشجرة القرار. ابتكر Romaniuk and Hall [29] نظام SC-NET الذي يوفر قدرة أنظمة الخبراء على التعلم في نهج اتصال/رمزي هجين من أجل اكتشاف أشباه الموصلات صدع بويفر. تشودري وآخرون. [6] اقترح منهجية تخصيص الكيانات الغامضة لبناء نموذج أولي لقاعدة بيانات علائقية غامضة لنظام تحكم منفصل مناسب لعملية تصنيع أشباه الموصلات.
Liao [25] شملها مسح أدبيات تطوير أنظمة الخبراء من 1995 إلى 2004. بناءً على عوامله ، تم تطوير التطبيقات الرئيسية التي تنفذ CBR الهجين في المجالات التالية: تصميم التصنيع وتشخيص الأعطال ، نمذجة المعرفة والإدارة ، والتخطيط الطبي والتطبيق ، ومجالات التنبؤ المالية.
تم اعتماد نهج CBR المختلط على نطاق واسع في تصميم التصنيع وتشخيص الأعطال. HUI و JHA [16] المتكامل NN و CBR والمنطق القائم على القواعد لدعم أنشطة خدمة العملاء ، مثل دعم القرار والآلة تشخيص الخطأ في بيئة التصنيع. قامت Liao [26] بدمج طريقة CBR مع Perceptron متعدد الطبقات للتعرف التلقائي لآليات الفشل في عملية تحليل الفشل بأكملها. يانغ وآخرون. [39] CBR متكامل مع Art-kohonen nn لتعزيز تشخيص الخطأ للمحركات الكهربائية. تان وآخرون. [34] المتكامل CBR و Fuzzy Artmap NN لدعم المديرين في اتخاذ قرارات الاستثمار في تكنولوجيا التصنيع في الوقت المناسب. سريداكيس و قدمت Dentsoras [30] تصميمًا قائمًا على الحالة مع نظام حوسبة ناعمة لتقييم التصميم البارامترية لناقل التذبذب.
تم تطوير الأبحاث التالية في مجالات نمذجة المعرفة والإدارة. Hui et al. [15] جمع نهج CBR و NN لاستخراج المعرفة من خدمات العملاء السابقة واستدعاء ما هو مناسب الخدمات. Choy et al. [10] طور نظام إدارة علاقات الموردين الذكي باستخدام تقنيات CBR و NN Hybrid لتحديد وقياس الموردين المحتملين لمنتجات Honeywell Consumer Limited في هونغ كونغ. يو وليو [41] اقترح تهجين كل من تقنيات التفكير الرمزي والرقم لتحقيق دقة أعلى والتغلب على مشكلة ندرة البيانات في قاعدة بيانات مشروع البناء. حل تشن و HSU [7] مشاكل الدعوى المحتملة بسبب تغيير الطلبات في مشاريع البناء. لقد استخدموا NNS للتنبؤ باحتمال التقاضي ، واستخدموا CBR لتحذير العائدات. طورت IM و Park [17] نظام خبراء مختلطين في CBR و NN لنظام استشارية مخصصة لصناعة مستحضرات التجميل. ليو وآخرون. [27] طورت تقنية تقليل الحالات القائمة على الارتباط لتقليل حجم قاعدة الحالات من أجل تعزيز الكفاءة مع تحسين دقة CBR. صن وآخرون. [33] بني أ قاعدة الحالات التي تعتمد على علاقات التشابه وعلاقات التشابه الغامضة ، والتي يتم تحديدها على عالم المشاكل والحلول المحتملة.
كما تم استخدام CBR الهجينة في مجالات التخطيط والتطبيق الطبي. GUIU et al. [12] قدم نظام تصنيف قائم على الحالات لحل التشخيص التلقائي لصور الخزعة الثديية. قام Hsu و Ho [14] بدمج CBR و NN و Fuzzy النظرية ، ونظرية الحث معًا لتسهيل تشخيص الإصابة المتعددة وتعلم معرفة التكيف الجديدة. وينز وآخرون. [38] طبقت رسم خرائط Kohonen المعدلة مع معيار تقييم CBR للتنبؤ مبكرًا التهاب المفاصل ، بما في ذلك التهاب المفاصل الروماتويدي والكبرث. قام Ahn و Kim [1] بدمج CBR مع خوارزميات وراثية لتقييم السمات الخلوية المستمدة من فحص رقمي لشرائح نضح الإبرة (FNA).
تم استخدام CBRs الهجينة في مناطق التنبؤ المالية أيضًا. قدم كيم وهان [20] طريقة إثارة الحالات في CBR والتي تستخدم SOM للتنبؤ بتصنيف سندات الشركات. لي وآخرون. [24] قدم قائم على الميزات مقياس التشابه للتعامل مع التنبؤ بالضيق المالي (على سبيل المثال ، التنبؤ بالإفلاس) في الصين. قام تشانغ و LAI [4] بدمج SOM و CBR لتوقعات المبيعات للكتب التي تم إصدارها حديثًا. تشانغ وآخرون. [5] تطور نظام CBR مع الخوارزمية الوراثية للتنبؤ بالوكيل الجملة. ابتكر Chun and Park [11] CBR الانحدار للتنبؤ المالي ، والذي يطبق أوزان مختلفة على المتغيرات المستقلة قبل تحديد حالات مماثلة. كومار ورافي [21] قدمت مراجعة شاملة للأعمال التي تستخدم NN و CBR لحل مشاكل التنبؤ بالإفلاس التي تواجهها البنوك.
من أجل تحسين قدرة التنبؤ بالعائد بدقة ، تم تطوير نظام تنبؤ العائد الهجين في صناعة شبه الموصل (HURSSI). إنها الطريقة الهجينة التالية ، الجمع بين تقنيات التعلم الآلي ، مثل شبكة التراجع الخلفية (BPN) و CBR و K NN (انظر الشكل 1).
يتكون HURSSI من أربع مراحل: التعرف على العلاقة بين متغيرات الحالة والعائد ، وتوازن الترجيح ، واستخراج الحالات المماثلة K ، والمتوسط المرجح للعوائد المستخرجة. المرحلة الأولى من الأهمية النسبية لـ المتغيرات المستقلة من العلاقة بين المتغيرات المستقلة (أي متغيرات عملية التصنيع) ومتغير تابع (أي العائد). عندما يتم تدريب BPN في مثيل قاعدة حالة العائد ، تكشف أوزان الاتصال للشبكة العصبية المدربة عن أهمية العلاقة بين متغيرات العملية والعائد.
للحصول على مجموعة من أوزان الميزة من الشبكة المدربة ، يتم استخدام أربع طرق للترويج للميزات: الحساسية والنشاط والمعنى والأهمية [28،37،42]. كل من هذه الطرق تحسب درجة كل ميزة الأهمية باستخدام أوزان الاتصال وأنماط تنشيط العقد في الشبكة العصبية المدربة. يتم وصف خوارزميات ترجمة الميزة على النحو التالي:
طريقة ترجيح "الحساسية": يتم حساب حساسية عقدة الإدخال (SENI) عن طريق إزالة عقدة الإدخال من الشبكة العصبية المدربة. حساسية عقدة الإدخال هي الفرق في الخطأ بين إزالة ميزة وعندما يتم تركها في مكانها. يتم حساب سيني بالمعادلة التالية
حيث يشير E (0) إلى مقدار الخطأ بعد إزالة عقدة الإدخال I و E (WF) تعني قيمة الخطأ عند ترك العقدة دون أن تمسها. تعتمد قيمة الخطأ على المعادلة التالية
عندما يكون CB قاعدة حالة تحتوي على متغيرات الحالة (الميزات) والعائد المقابل ويشير Y إلى قيمة العائد الفعلية وتشير OY إلى قيمة العائد التي يلاحظها BPN.
وفقًا للجدول ، يوضح BPN + CBR_SEN أدنى معدل خطأ عند ضبط K على ؛ يحتوي BPN + CBR_ACT على أدنى معدل خطأ عند ضبط K على 11 ؛ يُظهر BPN + CBR_SAL أدنى معدل خطأ عند ضبط K على ؛ و BPN + CBR_REL يعرض أدنى معدل خطأ عند ضبط K على تسعة. إلى جانب نقاط K في كل طريقة ترجيح ، زادت معدلات الخطأ قليلاً.
أخطاء الجدول 1 في التفكير القائم على الحالة مع أربعة مخططات ترجيح.
الشكل 2. متوسط دقة التنبؤ لكل مخطط ترجيح.
يوضح الشكل 2 متوسط دقة التنبؤ لجميع أساليب الرغبة في الميزة ، وفقًا لما قاله K.
تفوقت جميع طرق الترجيح الأربعة على طريقة CBR وحدها في كل تجربة. علاوة على ذلك ، في معظم التجارب ، أظهرت BPN + CBR_ACT أعلى دقة التنبؤ ، تليها BPN + CBR_SAL ، BPN + CBR_REL ، و BPN + CBR_SEN.
مع زيادة K إلى 11 ، يصبح الفرق في دقة التنبؤ أكبر بين CBR وحده وطرق الترجيح BPN + CBR_ACT. ومع ذلك ، هناك اختلافات بسيطة في دقة التنبؤ بين الرغبة الأربعة للميزات أساليب.
بشكل عام ، من الصعب تحديد طريقة الترجيح هي الأفضل. يقترح المؤلفون أنه يجب على المرء اختبار الطرق الأربعة في مرحلة التطوير الأولية ثم تنفيذ واحدة مع أدنى خطأ التنبؤ في مرحلة الإنتاج. في هذه الحالة ، يعد اعتماد طريقة الترجيح BPN + CBR_ACT حلاً مقبولًا للتنبؤ بمعدل العائد في التصنيع شبه الموصل.
تعد إدارة العائد في صناعة أشباه الموصلات ممارسة إدارة مهمة للغاية يجب مراقبتها والتحكم فيها بالكامل. لأن متغيرات عملية التصنيع لها علاقة معقدة غير خطي مع العائد ، يحتاج المصنعون إلى نهج ذكي لتحديد العلاقة بين معلمات العملية في الوقت المناسب.
في هذه الورقة ، ابتكر المؤلفون وتطبيقهم hypssi ، وهي طريقة هجينة تجمع بين BPN و CBR ، للتنبؤ بعائد شركة تصنيع أشباه الموصلات المستهدفة. في hypssi ، تم استخدام BPN لتعيين الأوزان النسبية ل ميزات عملية التصنيع لكل حالة في قاعدة حالة العائد.
كما كشفت مراجعة الأدبيات في القسم 2 ، لم يكن هناك بحث مماثل سابق للتنبؤ بمعدل العائد لشركة أشباه الموصلات التي تستخدم CBR. أظهر hypssi أن CBR مع كان لدى طريقة ترجيح "النشاط" معدل تنبؤ أفضل ، حيث يتفوق على CBR وحده وجميع طرق الترجيح الأخرى. أظهر CBR الهجين أيضًا أداء أفضل من النهج الإحصائي الحالي (دقة التنبؤ القادمة من تحليل الانحدار المتعدد وصلت حوالي 80 ٪).
ومع ذلك ، من أجل تحقيق معدل تنبؤ أكثر دقة ، يحتاج HUMSSI إلى مزيد من متغيرات العملية والبيانات من الشركة المستهدفة. على الرغم من أن المتغيرات الـ 16 الحالية المستخدمة في هذه الورقة تم تحديدها من قبل مهندسي التصنيع ، من الصعب تحقيق معدل تنبؤ أكثر دقة من خلال استخدام هذه المتغيرات والبيانات فقط. سيكون هذا هو المجال التالي الذي يجب إجراء البحوث فيه.
العربية
Pусский
