IT-Zeitschriften, Fachbücher, eBooks, digitale Magazine und vieles mehr - direkt im heise shop online kaufen
Warenkorb Ihr Warenkorb ist noch leer.
38,00 €*

Untersuchung, Implementierung und Einsatz des Levenberg-Marquardt-Algorithmus zur Analyse von Chip-Fertigungsdaten

eBook

Bewerten Sie dieses Produkt als Erster

Inhaltsangabe:Einleitung:Der fehlerfreie Produktionsprozeß der Chip-Fertigung ist für die IT-Industrie eines der wichtigsten Entwicklungsziele. Für dessen Optimierung werden verschiedene Ansätze verfolgt. Die Universität Tübingen hat sich in Kooperation mit verschiedenen Vertretern dieses produzierenden Gewerbes zu dem Projekt Smart ...
Sofortige Lieferung
Autor: Daniel Weisskopf
Anbieter: Irisiana
Sprache: Deutsch
EAN: 9783832416454
Veröffentlicht: 30.07.1999
Format: PDF
Schutz: DRMfrei Diese Digitale Ausgabe ist ohne DRM-Schutz.
Inhaltsangabe:Einleitung:Der fehlerfreie Produktionsprozeß der Chip-Fertigung ist für die IT-Industrie eines der wichtigsten Entwicklungsziele. Für dessen Optimierung werden verschiedene Ansätze verfolgt. Die Universität Tübingen hat sich in Kooperation mit verschiedenen Vertretern dieses produzierenden Gewerbes zu dem Projekt Smart Fabrication - Neuronale Netze zusammengeschlossen mit dem Ziel, die Analysemethoden bei der elektrischen Parametermessung sowie die Qualitätssicherung zu verbessern. In diesem Rahmen ist der Neuronale Netze Simulator NetSim entstanden, der u.a. für die Ausschußvorhersage (Yieldmodelling) des laufenden Produktions-prozesses anhand von PCM-Daten in der industriellen Chip-Fertigung zum Einsatz kommen soll. Diese Arbeit befaßt sich mit einem weiteren neuronalen Lernverfahren, das, neben verschiedenen anderen Verfahren wie Backpropagation oder Counterpropagation, in diesen Simulator implementiert und auf seine Potentiale bei der Analyse von Chip-Fertigungsdaten evaluiert wurde - dem Levenberg-Marquardt-Algorithmus.Inhaltsverzeichnis:Inhaltsverzeichnis:1.Einleitung und Motivation61.1Das Smart Fabrication-Projekt61.1.1Technischer Inhalt des Vorhabens "Neuronale Netze"71.1.2Einsatzgebiete Neuronaler Netze in der Produktion81.2Der Neuronale Netze Simulator NetSim91.3Motivation und Zielsetzung102.Optimierung nichtlinearer kleinster Fehlerquadrate132.1Methode des steilsten Abstiegs (steepest descent)152.1.1Liniensuchalgorithmus zur Bestimmung der Schrittweite (line minimization)162.2Die Gauß-Newton-Methode192.3Die Levenberg-Marquardt-Methode213.Implementierung des Levenberg-Marquardt-Algorithmus in einem Neuronalen Netz233.1Grundlagen Neuronaler Netze und verwendeter Netztyp243.2Berechnung der Hessematrix bzw. des Gradienten273.2.1Berechnung der Hessematrix273.2.2Berechnung des Gradienten283.3Weitere grundlegende Implementierungsaspekte303.3.1Bestimmung des Levenberg-Marquardt-Parameters ?303.3.2Terminierung313.3.3Bestimmung des Iterationsschrittes313.4Flußdiagramm323.5Das ?Herzstück?: die Methode lm_lev_marq333.6Der mathematische Kern: die Methode lm_core383.7Gesamtübersicht aller Klassen453.7.1Die Klasse Singularvaluedecomposition: Gleichungssystemlösung mit Singulärwertzerlegung453.7.2Die Klasse TrainSet: Speicher für Trainingsdaten483.7.3Die Klasse Levmarq: der Levenberg-Marquardt-Algorithmus493.8Vorstellung der abgeschlossenen Implementierung554.Evaluierung […]
Um bewerten zu können, melden Sie sich bitte an