Neuronale Netzwerkmodelle zur Analyse hochdimensionaler, multisensorischer Datensätze prozessierter Si-Wafer

Dokumentenart:	Hochschulschrift der Universität Regensburg (Dissertation)
Open Access Art:	Primärpublikation
Datum:	16 Januar 2002
Begutachter (Erstgutachter):	Elmar W. Lang
Tag der Prüfung:	6 Dezember 2001
Institutionen:	Biologie und Vorklinische Medizin > Institut für Biophysik und physikalische Biochemie > Prof. Dr. Elmar Lang
Stichwörter / Keywords:	Neuronales Netz , Zeitreihenanalyse , Halbleiterindustrie , , neural networks , fault detection , time series analysis
Dewey-Dezimal-Klassifikation:	500 Naturwissenschaften und Mathematik > 570 Biowissenschaften, Biologie
Status:	Veröffentlicht
Begutachtet:	Ja, diese Version wurde begutachtet
An der Universität Regensburg entstanden:	Ja
Dokumenten-ID:	9899

Zusammenfassung (Deutsch)

In dieser Arbeit werden verschiedene neuronale Netzwerkmodelle zur Analyse hochdimensionaler multisensorischer Datensätze prozessierter Silizium-Wafer untersucht. Für die Dimensionsreduzierung und Kennzahlenextraktion werden Methoden der Principal Component Analysis (PCA), Independent Component Analysis (ICA) und Backpropagation-Netzwerke verwendet. Zur anschließenden Klassifikation der ...

Zusammenfassung (Deutsch)

In dieser Arbeit werden verschiedene neuronale Netzwerkmodelle
zur Analyse hochdimensionaler multisensorischer Datensätze
prozessierter Silizium-Wafer untersucht.
Für die Dimensionsreduzierung und Kennzahlenextraktion werden
Methoden der Principal Component Analysis (PCA),
Independent Component Analysis (ICA) und Backpropagation-Netzwerke
verwendet. Zur anschließenden Klassifikation der Datensätze
werden Kohonen Self Organizing Feature Maps (SOM),
RBF-Netze (Radial Basis Function) und Growing Neural Gases (GNG)
benützt. Ziel der Analyse ist die frühzeitige Fehlererkennung und
Klassifikation abnormaler Prozessverläufe und damit die Steigerung
der Produktivität und Produktqualität in der Halbleiterfertigung.

Übersetzung der Zusammenfassung (Englisch)

Different neural network architectures were used for the analysis of high-dimensional and multi-sensoric datasets of processed silicon wafers. For dimensionality reduction and feature extraction layered networks with learning rules implementing a Principal Component Analysis (PCA), an Independent Component Analysis (ICA) and an error-backpropagation method were used. For the classification ...

Übersetzung der Zusammenfassung (Englisch)

Different neural network architectures were used for the analysis
of high-dimensional and multi-sensoric datasets of processed silicon
wafers. For dimensionality reduction and feature extraction layered
networks with learning rules implementing a Principal Component
Analysis (PCA), an Independent Component Analysis (ICA) and an
error-backpropagation method were used. For the classification task
Kohonen�s Self Organizing Feature Maps (SOM), RBF-Networks
(Radial Basis Function) and Growing Neural Gases (GNG) were used.
The goal of these analyses was an online fault detection and a
classification of abnormal processes resulting in an improved
productivity and product quality in the semiconductor industry.

Details

Vorschau

Bibliographische Daten exportieren

Zusammenfassung (Deutsch)

Zusammenfassung (Deutsch)

Übersetzung der Zusammenfassung (Englisch)

Übersetzung der Zusammenfassung (Englisch)

Downloadstatistik

Downloads

Weitere Literatur (mittels CORE)

Universitätsbibliothek