摘要：本文首先介紹了微電子領(lǐng)域及該領(lǐng)域中半導(dǎo)體制造的發(fā)展現(xiàn)狀，然后分析了數(shù)據(jù)挖掘在半導(dǎo)體制造中應(yīng)用的必要性和可行性。最后重點(diǎn)討論數(shù)據(jù)挖掘技術(shù)在研究晶圓制造質(zhì)量異常問題中的應(yīng)用，文章中給出了半導(dǎo)體制造中的數(shù)據(jù)挖掘流程示意圖，并用主成分分析法分析產(chǎn)生異常的原因，最后得出合理的結(jié)論。

　　數(shù)據(jù)挖掘及相關(guān)技術(shù)

　　1、數(shù)據(jù)挖掘的定義和特點(diǎn)

　　數(shù)據(jù)挖掘DM（Data Mining）是對(duì)數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行一定的處理，從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中提取隱含的、事先未知的、但又是潛在有用的信息和知識(shí)的過程。確切地講，DM是KDD過程中的一個(gè)步驟，其處理對(duì)象是大量的日常業(yè)務(wù)數(shù)據(jù)，它主要基于人工只能、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)等技術(shù)，高度自動(dòng)化地分析原有的海量數(shù)據(jù)，做出歸納的推理，從中采掘出潛在的模式，預(yù)測(cè)未知的行為，提高信息的利用，改變“人們被數(shù)據(jù)淹沒，同時(shí)卻仍感到知識(shí)饑渴”的資源浪費(fèi)的局面。KDD是數(shù)據(jù)庫技術(shù)和機(jī)器學(xué)習(xí)兩個(gè)學(xué)科的交叉學(xué)科，由于KDD使用的數(shù)據(jù)來自于實(shí)際的數(shù)據(jù)庫，所要處理的數(shù)據(jù)量可能很大，因此DM中的學(xué)習(xí)算法的效率和可擴(kuò)充性就尤為重要；此外，KDD所處理的數(shù)據(jù)由于來自于現(xiàn)實(shí)世界，數(shù)據(jù)的完整性、一致性和正確性都很難保證，因此數(shù)據(jù)預(yù)處理也是很有必要的。

　　2、數(shù)據(jù)挖掘的方法

　　DM的技術(shù)基礎(chǔ)包括機(jī)器學(xué)習(xí)、人工智能和統(tǒng)計(jì)學(xué)。人工智能是以自動(dòng)機(jī)為手段，通過模擬人類宏觀外顯的思維行為，從而高效率地解決事實(shí)世界問題的科學(xué)和技術(shù)。下面介紹數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的幾種常用方法。

　?。?）人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks）

　　神經(jīng)網(wǎng)絡(luò)方法是模擬人腦神經(jīng)元結(jié)構(gòu)，以MP模型和Hebb學(xué)習(xí)規(guī)則為基礎(chǔ)。它主要有三種神經(jīng)網(wǎng)絡(luò)模型：

　　1）前饋式網(wǎng)絡(luò)。它以感知機(jī)、反向傳播模型、函數(shù)型網(wǎng)絡(luò)為代表，可用于預(yù)測(cè)、模式識(shí)別等方面。

　　2）反饋式網(wǎng)絡(luò)。它以Hopfield的離散模型和連續(xù)模型為代表，分別用于聯(lián)想記憶和優(yōu)化計(jì)算。

　　3）自組織網(wǎng)絡(luò)。它以ART模型、Koholon模型為代表，用于聚類分析等方面。

　　神經(jīng)網(wǎng)絡(luò)的知識(shí)體現(xiàn)在網(wǎng)絡(luò)連接的權(quán)值上是一個(gè)分布式矩陣結(jié)構(gòu)；神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)體現(xiàn)在神經(jīng)網(wǎng)絡(luò)權(quán)值的逐步計(jì)算上包括反復(fù)迭代或累加計(jì)算。

　?。?）遺傳算法（Genetic Algorithms）

　　遺傳算法是模擬生物進(jìn)化過程的算法，由三個(gè)基本算子（或過程）組成：

　　1）選擇 （selection）。即從一個(gè)舊種群（父代）選出生命力強(qiáng)的個(gè)體，產(chǎn)生新的種群（后代）的過程。

　　2）交叉（crossover）。即對(duì)選擇的兩個(gè)不同的個(gè)體（染色體）的部分（基因）進(jìn)行交換，形成新個(gè)體的過程。

　　3）變異（mutation）。即對(duì)某些個(gè)體的某些基因進(jìn)行變異（0變1，或1變0），形成新個(gè)體的過程。

　　這種遺傳算法可起到產(chǎn)生優(yōu)良后代的作用。這些后代需滿足適應(yīng)值，經(jīng)過若干代的遺傳，將得到滿足要求的后代。遺傳算法已在優(yōu)化計(jì)算和分類機(jī)器學(xué)習(xí)方面發(fā)揮了顯著作用。

　　（3）、決策樹方法（Decision Trees）

　　決策樹方法是利用信息論中的互信息（信息增益）尋找數(shù)據(jù)庫中具有最大信息量的屬性字段，建立決策樹的一個(gè)結(jié)點(diǎn)，再根據(jù)該屬性字段的不同取值建立樹的分支。在每個(gè)分支集中重復(fù)建立樹的下層結(jié)點(diǎn)和分支的過程。