Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации
Проведена оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации.
 Предложены метод и процедура оценки размеров блока среднекластерного распределения дефектов
 ИС с использованием мультистартового субградиентного итеративного метода кластеризации. Оценен...
Gespeichert in:
| Datum: | 2009 |
|---|---|
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Інститут проблем штучного інтелекту МОН України та НАН України
2009
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/8135 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации / Г.Ю. Щербакова, В.Н. Крылов, В.Г. Абакумов // Штучний інтелект. — 2009. — № 3. — С. 449-455. — Бібліогр.: 4 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860249777264918528 |
|---|---|
| author | Щербакова, Г.Ю. Крылов, В.Н. Абакумов, В.Г. |
| author_facet | Щербакова, Г.Ю. Крылов, В.Н. Абакумов, В.Г. |
| citation_txt | Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации / Г.Ю. Щербакова, В.Н. Крылов, В.Г. Абакумов // Штучний інтелект. — 2009. — № 3. — С. 449-455. — Бібліогр.: 4 назв. — рос. |
| collection | DSpace DC |
| description | Проведена оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации.
Предложены метод и процедура оценки размеров блока среднекластерного распределения дефектов
ИС с использованием мультистартового субградиентного итеративного метода кластеризации. Оценена
помехоустойчивость метода кластеризации и его погрешность.
Проведено оцінку параметрів розподілу дефектів ІС з допомогою завадостійкої кластеризації. Запропоновані
метод і процедура оцінки розмірів блоку середньокластерного розподілу дефектів ІС з використанням
мультистартового субградієнтного ітеративного методу кластеризації. Проведена оцінка завадостійкості
методу кластеризації та його похибки.
The IC defect distribution parameters evaluation with noise stability clustering was carryied out. The IC
medium clustering defect distribution’s block size evaluation method and its implementation procedure was
proposed. In that procedure multi starting sub gradient iterative clustering method is used. The experimental
investigation for this clustering method noise immunity increasing and own error decreasing estimation was
carried out.
|
| first_indexed | 2025-12-07T18:41:43Z |
| format | Article |
| fulltext |
«Штучний інтелект» 3’2009 449
8Щ
УДК 621.382
Г.Ю. Щербакова1, В.Н. Крылов1, В.Г. Абакумов2
1Одесский национальный политехнический университет, г. Одесса, Украина
2Национальный технический университет Украины «КПИ», г. Киев, Украина
Galina_onpu@mail.ru
Оценка параметров распределения
дефектов ИС с помощью
помехоустойчивой кластеризации
Проведена оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации.
Предложены метод и процедура оценки размеров блока среднекластерного распределения дефектов
ИС с использованием мультистартового субградиентного итеративного метода кластеризации. Оценена
помехоустойчивость метода кластеризации и его погрешность.
Развитие микроэлектроники требует обеспечить повышение технологического
уровня и экономической эффективности полупроводникового производства. При этом
возрастает актуальность формирования адекватных статистических распределений,
позволяющих на стадии анализа технологического процесса производства прогнози-
ровать распределение дефектов, которые вызывают ошибки функционирования схемы,
и выход годных ИС. Поэтому при производстве устойчивых к наличию дефектов ИС
более точное определение выхода годных определяет количество добавляемых к схеме
избыточных элементов. Такой подход характерен для схем, состоящих из модулей,
таких как элементы памяти и цифровой логики. Для прогноза выхода годных в на-
стоящее время применяются различные варианты компаунд-распределений на основе
обобщенного распределения Пуассона [1], [2]. Компаунд-распределение позволяет
учитывать неоднородность распределения дефектов, приводящих к потере годных
кристаллов в процессе производства ИС. Эти дефекты не распределены внутри пла-
стины равномерно, а образуют кластеры [1]. В работах [1], [2] обоснован иерархический
подход к оценке выхода годных ИС. Эта иерархия включает в себя крупнокластер-
ное, среднекластерное и мелкокластерное распределения. Выбор вида распределения
обусловлен соотношением размеров кластера, который характеризует неоднородность
распределения дефектов в анализируемой области, и самой анализируемой области
(модуль на полупроводниковой пластине, пластина, набор пластин (партия)). Понятие
кластера в работах не определено [2]. В работе [1] введено понятие «блока», предпо-
лагается, что дефекты коррелированы между собой только внутри этих блоков, сами же
блоки статистически не зависимы друг от друга. Выбор размеров блоков проводится
с учетом типа ИС, особенностей производственных линий и процессов обработки
пластин [1].
Ошибки оператора, сбои оборудования при измерении обусловливают зашум-
ленность данных о дефектах при малом объеме их выборок. Методы, основанные на
сравнении распределений этих данных, и распределения на их основе чувствительны
к таким отклонениям (шуму) данных [1]. Влияние этих недостатков может быть умень-
шено при применении помехоустойчивых процедур кластеризации. В связи с этим
Щербакова Г.Ю., Крылов В.Н., Абакумов В.Г.
«Искусственный интеллект» 3’2009 450
8Щ
представляется актуальным разработать метод, позволяющий формализовать выбор
размера блока среднекластерного распределения оценки выхода годных, применяя
помехоустойчивые методы кластеризации, принятые при распознавании образов [3].
При кластеризации данные разделяются на кластеры по признаку компактно-
сти, так, чтобы был оптимизирован функционал качества. Метод оптимизации выбирают
в зависимости от особенностей формирования и свойств этого функционала качества,
который может быть явно не известен, может обладать поверхностью многоэкстре-
мальной, зашумленной, поскольку анализ производится по малым выборкам. Сущест-
вующие методы кластеризации в этих условиях работают плохо. Для снижения влияния
указанных выше недостатков в работе предлагается применить разработанный авто-
рами помехоустойчивый субградиентный итеративный метод кластеризации в прост-
ранстве вейвлет-преобразования [3].
Целью данной статьи является разработка метода, позволяющего формализо-
вать расчет размеров блока среднекластерного распределения оценки выхода годных
с применением помехоустойчивой кластеризации. Для достижения этой цели реше-
ны задачи анализа методов оценки выхода годных в микроэлектронике; разработки
процедуры оценки выхода годных и размеров блока среднекластерного распределения с
использованием субградиентного итеративного метода кластеризации; проведения экс-
периментальных исследований при оценке помехоустойчивости метода кластеризации.
При кластеризации используют иерархические и итеративные методы. Обе группы
методов чувствительны к шуму данных [3], поэтому целесообразно разрабатывать
методы, снижающие чувствительность к шуму при кластеризации.
Анализ методов оценки выхода годных ИС
При оценке выхода годных ИС используют компаунд-распределения дефект-
ности [1], [2]. Дефекты, приводящие к потере годных при производстве ИС, не
распределены внутри пластины равномерно, а образуют кластеры. Вероятность иметь
в выборке k дефектных изделий определяется обобщенным отрицательным биномиаль-
ным распределением (компаунд-распределением) [2].
,
)1)((!
)()(
!
)(
0
ak
ak
bak
bakdPe
k
kP
где 0b,0a ; )a( – гамма-функция; a параметр формы; b параметр масштаба.
Выход годных (вероятность получить 0k дефектных модулей) в рамках ком-
паунд-распределения Пуассона для крупнокластерного распределения, когда вся
микросхема располагается внутри одного блока, определяется
m)N1(
1)0k(PY
m
m
,
где m – среднее число дефектов на один модуль; m – параметр кластеризации;
B – размер блока; N – размер микросхемы [1], [2].
Для среднекластерного распределения, когда NB1 , выход годных модулей
mB
N
m
m )
B
1(
1)0k(PY
.
Оценка параметров распределения дефектов ИС...
«Штучний інтелект» 3’2009 451
8Щ
Для мелкокластерного распределения выход годных модулей
mN
m
m )1(
1)0k(PY
.
Среднекластерное распределение включает в себя крупнокластерное и мелко-
кластерное распределения, как предельные случаи [1]. Размер «блока» для мелко-
кластерного распределения равен одному модулю, для крупнокластерного распреде-
ления – равен всей площади пластины в модулях. Среднекластерное распределение
применяют для микросхем большой площади (порядка квадратного дюйма), когда
размер микросхемы больше размера кластера. В [1] введено понятие «блока» как еди-
ницы измерения размера кластера. Блоки статистически не зависимы друг от друга,
внутри них дефекты распределены равномерно и коррелированы между собой, число
дефектов в блоке имеет отрицательное биномиальное распределение [1]. Коэффици-
ент кластеризации постоянен внутри блока, но возрастает, когда рассматривае-
мая область включает в себя несколько блоков [1], [2]. Для определения размеров
блока разработан ряд методов. При определении размера блока согласно первому ме-
тоду сначала оцениваются коэффициенты кластеризации для каждого потенциального
блока размером 1 1, 1 2, … J,I модулей. Из этих значений )J,I(̂ формируется мат-
рица. Далее проводится поиск наибольших )J,I( с )J,I(̂ меньшим, чем )1,1(̂ . Это
количество модулей принимается как размер блока [1]. Во втором методе оценки
размеров блока размер блока определяется в два этапа (сначала количество модулей
в длину 1B , потом – в ширину 2B ). Пластина делится на блоки размером )J,I( моду-
лей. Чтобы определить 1B и 2B , формируются две матрицы с результатами проверки
по критерию 2 статистической независимости между соседствующими вертикаль-
но (горизонтально) блоками. Индексы I и J , которые определяют выбор 1B и 2B ,
определяют по первой строке (столбцу) матриц, в которых значения 2 ниже, чем в
других. Однако в работе [1] те же авторы констатируют, что, даже применяя оба метода
в сочетании, определить размер блока в случае малых выборок (малого количества
исследуемых пластин) сложно. В работе [1] при определении параметров среднеклас-
терной модели пластину при производстве ИС делят на модули, формируя из них
«блоки» размером 1 1, 1 2, …, 2 3 и так далее модулей, определяют для каждого ва-
рианта параметры распределения , , размер блока. Выбирают тот вариант, который
по критерию Колмогорова дает наименьшее расхождение с результатами эксперимента.
Размер блока, который используют для определения коэффициента кластеризации,
итеративно определяется заново для каждого вида производства ИС [1]. Это опреде-
ление в пределах пластины предполагает перебор различных сочетаний количества и
расположения модулей, входящих в блок. Все варианты распределений выхода год-
ных ИС чувствительны к шумовым измерениям при контроле по малым выборкам [1].
Поэтому представляется актуальным предложить метод, позволяющий формализовать
и автоматизировать процесс определения размеров блока для прогноза выхода год-
ных ИС с помощью среднекластерного распределения на базе помехоустойчивого
мультистартового субградиентного итеративного метода кластеризации в пространст-
ве вейвлет-преобразования [3].
Щербакова Г.Ю., Крылов В.Н., Абакумов В.Г.
«Искусственный интеллект» 3’2009 452
8Щ
Мультистартовый метод кластеризации
Задача кластеризации состоит в разбиении множества образов объектов на группы
(кластеры) с учетом их сходства, которое определяют через расстояние. Расстояние в
выбранном подходе к кластеризации рассчитывается от объектов к центру кластера.
Координаты центров кластеров находятся одновременно с разбиением данных на
кластеры. При отсутствии априорной информации о форме исследуемых кластеров и
с учетом предполагаемой зашумленности выборки принимается функционал из группы
родственных функционалу минимума дисперсии [3].
Для решения задач оптимизации при таких условиях авторами разработан по-
мехоустойчивый субградиентный итеративный метод оптимизации в пространстве
вейвлет-преобразования [4]. Для повышения помехоустойчивости кластеризации на
основе субградиентного итеративного метода оптимизации авторами разработан мульти-
стартовый субградиентный итеративный метод кластеризации в пространстве вейвлет-
преобразования [3].
При итеративном подходе к кластеризации определяют вектор optcc , который
доставлял бы экстремальное значение ),(Q cx – функционалу вектора переменных
)c,,c( N1 c , зависящему от вектора случайных последовательностей )x,,x( M1 x [3].
По показам образов Xx определяют центры множеств kX и их границы. При этом
M
1k
M1kM1kM1 )c,,c,()Fc,,c,()c,,c,(Q xxx – реализация функционала ка-
чества; )c,,c(x,F M1k – функция расстояния элементов x множества X от центров
kc кластеров kX ; )(k – характеристические функции
.когда,0
,когда,1
),,(x, M1
k
k
k X
X
cc
x
x
Поисковый итеративный алгоритм для определения центров двух кластеров
1
c и
2c
),]1[],1[[n],Q(~][]1[][c
)]1[],1[[n],Q(~][]1[][c
212222
211111
ncncnncn
ncncnncn
c
c
x
x
где )]1n[c],1n[cQ(x[n],~
211c , )]1n[c],1n[cQ(x[n],~
212c – оценки градиента
реализации для первого и второго кластеров соответственно; ]n[k – шаг; n – номер
итерации; k номер кластера.
Но, если в условиях помех оценка градиента проводится разностным методом,
поисковый регулярный итеративный метод при кластеризации даст низкую помехо-
устойчивость.
Метод кластеризации в пространстве вейвлет-преобразования заключается в
следующем. После инициализации параметров метода, при кластеризации в каждый
момент времени для каждого из i элементов взвешенной суммы с вейвлет-преобра-
зованием определяют значение характеристических функций 1,2l),c,c(x, 21l , вхо-
дящих в оценку субградиента. Для этого по методике [3] пары значений
]1n[c],1n[c 21 ; 1 1 2[ 1] [ ], [ 1]c n ie a n c n ; 1 2 2[ 1], [ 1] [ ]c n c n ie a n ( N,1i )
при данном x[n] подставляют в 2 2
1 2 1 2(x, , ) x[n] c x[n] c f c c . Здесь N – длина
носителя вейвлет-функции; ]n[a – скаляр. Функция )c,cx,(f 21 равна нулю на границе
Оценка параметров распределения дефектов ИС...
«Штучний інтелект» 3’2009 453
8Щ
и имеет различные знаки в различных областях. Поэтому, если )c,cx,(f 21 отрица-
тельна, 0,1 21 , если положительна, 1,0 21 [3].
В качестве базового использован градиентный метод поиска минимума [3], [4].
Исходные данные для его работы: начальные значения координаты минимума и шага 1 ,
коэффициент, обусловливающий изменение шага вблизи минимума 5,0 , точность
определения оценки градиента , количество итераций j . Процедура вычисления ми-
нимума при кластеризации включает [3]:
– вычисление оценки градиента;
– если значение оценки градиента меньше заданного значения точности – останов;
– вычисление величины шага: задается начальное значение величины шага 1 ;
вычисляется вспомогательное значение приращения функции Д , если приращение
функции Д меньше нуля – ][n и переход к следующему этапу, иначе ]n[
и переход к предыдущему этапу;
– расчет координаты минимума на n -ой итерации;
– 1nn и переход к начальному этапу вычисления минимума при кластеризации.
При вычислении оценки градиента на каждой итерации на первом этапе вычисляется
взвешенная сумма значений минимизируемого функционала )]1n[c],1n[cQ(x[n], 21
с вейвлет-функцией Хаара. Это позволяет переместить поиск в район экстремума с
погрешностью, определяемой асимметрией этого функционала. На втором этапе оцен-
ки градиента при кластеризации вычисляется взвешенная сумма минимизируемого
функционала )]1n[c],1n[cQ(x[n], 21 с гиперболической функцией
x
1)i(
при
начальном масштабе 5,0 .
)i(*)]1n[c],1n[cQ(x[n],])n[c(HWT 21 ,
где * – операция взвешенного суммирования.
Далее определяют приближение к значению координаты центра кластера по
итеративному алгоритму в пространстве вейвлет-преобразования по схеме
])n[c(HWT]n[]n[c]1n[c ll ,
где ])n[c(HWT – взвешенная сумма с вейвлет-функцией в точке ][nc ; ][n – шаг.
Если найденная на этом этапе координата оптимума отличается от найденной
на предыдущем этапе не более, чем на (заданную точность поиска координаты оп-
тимума), поиск заканчивается. Для оценки субградиента использовано гиперболи-
ческое вейвлет-преобразование, полученное по следующей схеме. На каждом уровне
поиска координаты оптимума значение масштаба увеличивается в соответствии с
}5;4;3;2;1;5,0{ . Если условие окончания поиска координаты оптимума при зна-
чении величины 5 не достигается, оценка субградиента производится разностным
методом. После этого поиск заканчивается. При поиске координаты оптимума осущест-
вляется переход от поиска с помощью вейвлета Хаара, с высокой помехоустойчи-
востью, вплоть (с ростом ) до поиска с помощью дифференциатора, способного дать
максимальную точность. Далее проверяют условие точности определения центра клас-
тера, если он достигнут – останов.
Оценка помехоустойчивости метода кластеризации проводилась с использованием
функции 2x)x(f при значениях ее аргумента 80,1x . Помеха была распреде-
лена по нормальному закону с нулевым средним и среднеквадратическим отклонением,
изменявшимся в диапазоне от 0 до 5477. При отношении сигнал/шум по амплитуде 1,17
Щербакова Г.Ю., Крылов В.Н., Абакумов В.Г.
«Искусственный интеллект» 3’2009 454
8Щ
(помеха распределена по нормальному закону с нулевым средним и среднеквадрати-
ческим отклонением 5477, максимальное значение тестируемой функции 6400)x(f )
относительная погрешность определения минимума составила 8,32% [3], [4].
Оценка параметров среднекластерного распределения
Для оценки параметров среднекластерного распределения предлагается следую-
щая процедура.
1. Разделение полупроводниковой пластины на модули равной площади [1].
2. Определение mm , – количество дефектов на модуле, коэффициента клас-
теризации для модуля соответственно проводится по методике [2]. Тогда
WS
1i
im X
WS
1Xˆ ,
где m̂ – оценка m ; S – количество пластин; W – количество модулей на пластине;
iX – число дефектов на модуле i )WS,,1i( ; X – среднее число дефектов на
модуле.
Оценка m проводится с учетом того, что число дефектов X имеет отрицатель-
ное биномиальное распределение с параметрами mm , . Оценка дисперсии будет
WS
1i
22
i XX
WS
1)X(V̂ .
Оценка коэффициента кластеризации для модуля
X)X(V̂
Xˆ
2
m
.
Коэффициент кластеризации блока определяется как mb ˆˆ [1].
3. Определение количества, центра, диаметра кластеров с заданной точностью
с помощью предложенного метода кластеризации.
4. Определение максимального целого числа модулей, входящих в кластер, для
каждого варианта кластеров, определенных в пункте 3.
5. Формирование вариационного ряда площадей кластеров, выраженных в мо-
дулях. Эти значения )J,I( принимаются как значения размеров блоков для первой
итерации.
6. Определение размеров блока.
6.1. По методике [1] последовательно
– формируется матрица оценок коэффициентов кластеризации для потенциальных
размеров блока от 11 и до I J модулей; отыскивается наибольшее )J,I( , для кото-
рого )J,I(̂ меньше, чем )1,1(̂ , это сочетание количества модулей и принимается как
размер блока;
– применяется второй метод оценки размеров блока; размер блока этим методом
определяется в два этапа (количество модулей в длину и в ширину соответственно
1B и 2B ). Исследуемая пластина делится на блоки размером )J,I( модулей. Чтобы оп-
ределить 1B и 2B , формируются две матрицы, содержащие результат проверки по кри-
терию 2 статистической независимости между соседними блоками. Индексы I и J ,
которые определяют выбор 1B и 2B , определяются по первой строке и столбцу со-
ответствующих матриц, в которых значения 2 значительно ниже, чем в других.
Оценка параметров распределения дефектов ИС...
«Штучний інтелект» 3’2009 455
8Щ
6.2. Последовательно, начиная с минимального )J,I( , сравниваются значения )J,I(
из вариационного ряда, полученного в пунктах 5 и 6.1. При совпадении результатов с
заданной точностью , принимается минимальный размер блока, для последующего
сравнения с результатами экспериментальной оценки выхода годных.
Если оценки размеров блока в пунктах 5 и 6.1 отличаются более чем на , ре-
комендуется повысить точность кластеризации (уменьшить ) и повторить расчеты
по пунктам 3 – 6. Если различаются все три оценки размеров блока по пунктам 5 и 6.1,
выбирают тот вариант размера блока, который при сравнении с результатами экспе-
риментальной оценки выхода годных дает меньшую ошибку.
7. Определяют количество дефектов блока b = B m. Здесь B = B1 B2 – размер блока.
В работе решены задачи анализа методов оценки выхода годных в микроэлек-
тронике, разработки метода и процедуры оценки размеров блока среднекластерного
распределения дефектов ИС с использованием мультистартового субградиентного итер-
ативного метода кластеризации; проведены экспериментальные исследования по оценке
помехоустойчивости метода кластеризации и снижения его погрешности. Относитель-
ная погрешность определения минимума при кластеризации для тестовой функции при
отношении сигнал/шум по амплитуде 1,17 составила 8,32%. Эти результаты позво-
ляют рекомендовать разработанный метод определения размера блока среднекластер-
ного распределения в процессе статистического анализа годных ИС при высоком
уровне помех и при малых объемах выборок.
Литература
1. Koren I. A Statistical Steady of Defect Maps of Large Area VLSI IC’s / I. Koren, Z. Koren, C.H. Stapper //
IEEE Transaction on Very Large Scale Integration (VLSI) Systems. – 1994. – Vol. 2, № 2. – P. 249-256.
2. Богданов Ю.И. Статистические модели управления дефектностью и выходом годных в микроэлектро-
нике / Ю.И. Богданов, Н.А. Богданова, В.Л. Дшхунян // Микроэлектроника. – 2003. – Т. 32, № 1. –
С. 62-76.
3. Щербакова Г.Ю. Адаптивная кластеризация в пространстве вейвлет-преобразования / Г.Ю. Щер-
бакова, В.Н. Крылов // Радіоелектронні і комп’ютерні системи. – 2009. – № 6(40). – С. 123-128.
4. Крилов В.М. Субградієнтний ітеративний метод оптимізації в просторі вейвлет-перетворення /
В.М. Крилов, Г.Ю. Щербакова // Збірн. наук. праць Військового інституту Київського нац. ун-ту
ім. Т. Шевченка. – 2008. – Вип. 12. – С. 56-60.
Г.Ю. Щербакова, В.М. Крилов, В.Г. Абакумов
Оцінка параметрів розподілу дефектів ІС з допомогою завадостійкої кластеризації
Проведено оцінку параметрів розподілу дефектів ІС з допомогою завадостійкої кластеризації. Запропоновані
метод і процедура оцінки розмірів блоку середньокластерного розподілу дефектів ІС з використанням
мультистартового субградієнтного ітеративного методу кластеризації. Проведена оцінка завадостійкості
методу кластеризації та його похибки.
G.Yu. Shcherbakova, V.N. Krylov, V.G. Abakumov
IC Defect Distribution Parameters Evaluation with Noise Stability Clustering
The IC defect distribution parameters evaluation with noise stability clustering was carryied out. The IC
medium clustering defect distribution’s block size evaluation method and its implementation procedure was
proposed. In that procedure multi starting sub gradient iterative clustering method is used. The experimental
investigation for this clustering method noise immunity increasing and own error decreasing estimation was
carried out.
Статья поступила в редакцию 03.07.2009.
|
| id | nasplib_isofts_kiev_ua-123456789-8135 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T18:41:43Z |
| publishDate | 2009 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Щербакова, Г.Ю. Крылов, В.Н. Абакумов, В.Г. 2010-04-30T15:41:05Z 2010-04-30T15:41:05Z 2009 Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации / Г.Ю. Щербакова, В.Н. Крылов, В.Г. Абакумов // Штучний інтелект. — 2009. — № 3. — С. 449-455. — Бібліогр.: 4 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/8135 621.382 Проведена оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации.
 Предложены метод и процедура оценки размеров блока среднекластерного распределения дефектов
 ИС с использованием мультистартового субградиентного итеративного метода кластеризации. Оценена
 помехоустойчивость метода кластеризации и его погрешность. Проведено оцінку параметрів розподілу дефектів ІС з допомогою завадостійкої кластеризації. Запропоновані
 метод і процедура оцінки розмірів блоку середньокластерного розподілу дефектів ІС з використанням
 мультистартового субградієнтного ітеративного методу кластеризації. Проведена оцінка завадостійкості
 методу кластеризації та його похибки. The IC defect distribution parameters evaluation with noise stability clustering was carryied out. The IC
 medium clustering defect distribution’s block size evaluation method and its implementation procedure was
 proposed. In that procedure multi starting sub gradient iterative clustering method is used. The experimental
 investigation for this clustering method noise immunity increasing and own error decreasing estimation was
 carried out. ru Інститут проблем штучного інтелекту МОН України та НАН України Прикладные интеллектуальные системы Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации Оцінка параметрів розподілу дефектів ІС з допомогою завадостійкої кластеризації IC Defect Distribution Parameters Evaluation with Noise Stability Clustering Article published earlier |
| spellingShingle | Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации Щербакова, Г.Ю. Крылов, В.Н. Абакумов, В.Г. Прикладные интеллектуальные системы |
| title | Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации |
| title_alt | Оцінка параметрів розподілу дефектів ІС з допомогою завадостійкої кластеризації IC Defect Distribution Parameters Evaluation with Noise Stability Clustering |
| title_full | Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации |
| title_fullStr | Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации |
| title_full_unstemmed | Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации |
| title_short | Оценка параметров распределения дефектов ИС с помощью помехоустойчивой кластеризации |
| title_sort | оценка параметров распределения дефектов ис с помощью помехоустойчивой кластеризации |
| topic | Прикладные интеллектуальные системы |
| topic_facet | Прикладные интеллектуальные системы |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/8135 |
| work_keys_str_mv | AT ŝerbakovagû ocenkaparametrovraspredeleniâdefektovisspomoŝʹûpomehoustoičivoiklasterizacii AT krylovvn ocenkaparametrovraspredeleniâdefektovisspomoŝʹûpomehoustoičivoiklasterizacii AT abakumovvg ocenkaparametrovraspredeleniâdefektovisspomoŝʹûpomehoustoičivoiklasterizacii AT ŝerbakovagû ocínkaparametrívrozpodíludefektívíszdopomogoûzavadostíikoíklasterizacíí AT krylovvn ocínkaparametrívrozpodíludefektívíszdopomogoûzavadostíikoíklasterizacíí AT abakumovvg ocínkaparametrívrozpodíludefektívíszdopomogoûzavadostíikoíklasterizacíí AT ŝerbakovagû icdefectdistributionparametersevaluationwithnoisestabilityclustering AT krylovvn icdefectdistributionparametersevaluationwithnoisestabilityclustering AT abakumovvg icdefectdistributionparametersevaluationwithnoisestabilityclustering |