[发明专利]一种基于相关熵和深层神经网络的半导体过程数据矫正方法

权利要求书

1.一种基于相关熵和深层神经网络的半导体过程数据矫正方法，其特征在于，包括：

(1)对于存在扰动的控制过程，采集与待矫正变量对应的过程变量传感器的输出信号；

(2)将每个变量直接输入建立好的深层神经网络模型，逐层提取变量中的相关性信息，收集模型最后一层的特征输出至输出映射函数，并与输入变量数值对比，建立回归模型；具体过程如下：

(2-1)x∈R^D表示D维带有误差的变量输入，对于第t步骤的第一层隐节点得到：

其中，t＝1,2,…,T，φ_h为非线性激活函数，W₁，U₁与b₁分别为第一层水平和垂直方向权重矩阵，以及第一层隐节点偏差向量；以第一层隐节点为基础，深层神经网络模型的深层特征表示为：

为第l层特征深层传递函数，W_l，U_l与b_l分别为第l层水平和垂直方向权重矩阵，以及第l层隐节点偏差向量；隐节点右上标表示特征层数，右下标表示迭代步骤；

(2-2)经由多层多步骤连续迭代后，最后一层网络输出为矫正值o_T：

g_o为输出层映射函数，φ_o为输出非线性激活函数；V与b_o分别为输出层权重矩阵与偏差向量；

(3)保存当前深层神经网络模型的参数权重，计算最终目标函数值，目标函数采用相关熵函数；若不满足停止条件，更新参数权重并重复步骤(2)，直至达到停止条件；所述的停止条件为：目标函数达到最小值或循环次数达到设定最大循环次数；

所述的相关熵函数表示为：

ξ_d＝x_d-o_T,d

其中，为相关熵函数，σ_d表示相关熵函数中对应第d维变量的可调参数，ξ_d为对应第d维变量测量值与矫正值的差值；

采用梯度下降法训练更新参数：

其中，α表示固定的学习率并且α＞0，输出层参数梯度以及目标函数对输出值偏导由以下公式得到，

其中，符号表示按元素一对一相乘，φ'_o为对偏导，δ_o,d为δ_o向量内部数值；而深层网络参数梯度与由以下公式得到：

其中，φ'_h为对偏导；另外，其余的迭代部分，即目标函数对每一层隐节点偏导表示为：

(4)更改网络层数与特征迭代层数，并重复步骤(2)和(3)，直到达到最大层数；

(5)选择得到矫正结果最好的网络层数和特征迭代层数；保存各层参数值，将新的待矫正数据输入深层神经网络模型，重新计算并获得矫正值。

2.根据权利要求1所述的基于相关熵和深层神经网络的半导体过程数据矫正方法，其特征在于，步骤(2)中，输入的变量包含随机误差和重大误差，无需经过预处理直接输入深层神经网络模型。

3.根据权利要求1所述的基于相关熵和深层神经网络的半导体过程数据矫正方法，其特征在于，步骤(2)中，深层神经网络模型的输入输出均为测量变量，用以得到变量之间的关系。