Du er ikke logget ind
Beskrivelse
Inhaltsangabe: Einleitung: Der fehlerfreie Produktionsproze der Chip-Fertigung ist fur die IT-Industrie eines der wichtigsten Entwicklungsziele. Fur dessen Optimierung werden verschiedene Ansatze verfolgt. Die Universitat Tubingen 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 Qualitatssicherung zu verbessern. In diesem Rahmen ist der Neuronale Netze Simulator NetSim entstanden, der u.a. fur die Ausschuvorhersage (Yieldmodelling) des laufenden Produktions-prozesses anhand von PCM-Daten in der industriellen Chip-Fertigung zum Einsatz kommen soll. Diese Arbeit befat 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 Motivation6 1.1Das Smart Fabrication-Projekt6 1.1.1Technischer Inhalt des Vorhabens "Neuronale Netze"7 1.1.2Einsatzgebiete Neuronaler Netze in der Produktion8 1.2Der Neuronale Netze Simulator NetSim9 1.3Motivation und Zielsetzung10 2.Optimierung nichtlinearer kleinster Fehlerquadrate13 2.1Methode des steilsten Abstiegs (steepest descent)15 2.1.1Liniensuchalgorithmus zur Bestimmung der Schrittweite (line minimization)16 2.2Die Gau-Newton-Methode19 2.3Die Levenberg-Marquardt-Methode21 3.Implementierung des Levenberg-Marquardt-Algorithmus in einem Neuronalen Netz23 3.1Grundlagen Neuronaler Netze und verwendeter Netztyp24 3.2Berechnung der Hessematrix bzw. des Gradienten27 3.2.1Berechnung der Hessematrix27 3.2.2Berechnung des Gradienten28 3.3Weitere grundlegende Implementierungsaspekte30 3.3.1Bestimmung des Levenberg-Marquardt-Parameters ?30 3.3.2Terminie