數據挖掘定義及方法 數據挖掘在微電子領域的應用

　　摘要：本文首先介紹了微電子領域及該領域中半導體制造的發展現狀，然后分析了數據挖掘在半導體制造中應用的必要性和可行性。最后重點討論數據挖掘技術在研究晶圓制造質量異常問題中的應用，文章中給出了半導體制造中的數據挖掘流程示意圖，并用主成分分析法分析產生異常的原因，最后得出合理的結論。

　　數據挖掘及相關技術

　　1、數據挖掘的定義和特點

　　數據挖掘DM（Data Mining）是對數據庫中的數據進行一定的處理，從大量的、不完全的、有噪聲的、模糊的、隨機的數據中提取隱含的、事先未知的、但又是潛在有用的信息和知識的過程。確切地講，DM是KDD過程中的一個步驟，其處理對象是大量的日常業務數據，它主要基于人工只能、機器學習、統計學等技術，高度自動化地分析原有的海量數據，做出歸納的推理，從中采掘出潛在的模式，預測未知的行為，提高信息的利用，改變“人們被數據淹沒，同時卻仍感到知識饑渴”的資源浪費的局面。KDD是數據庫技術和機器學習兩個學科的交叉學科，由于KDD使用的數據來自于實際的數據庫，所要處理的數據量可能很大，因此DM中的學習算法的效率和可擴充性就尤為重要；此外，KDD所處理的數據由于來自于現實世界，數據的完整性、一致性和正確性都很難保證，因此數據預處理也是很有必要的。

　　2、數據挖掘的方法

　　DM的技術基礎包括機器學習、人工智能和統計學。人工智能是以自動機為手段，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世界問題的科學和技術。下面介紹數據挖掘和知識發現的幾種常用方法。

　?。?）人工神經網絡（Artificial Neural Networks）

　　神經網絡方法是模擬人腦神經元結構，以MP模型和Hebb學習規則為基礎。它主要有三種神經網絡模型：

　　1）前饋式網絡。它以感知機、反向傳播模型、函數型網絡為代表，可用于預測、模式識別等方面。

　　2）反饋式網絡。它以Hopfield的離散模型和連續模型為代表，分別用于聯想記憶和優化計算。

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

　　神經網絡的知識體現在網絡連接的權值上是一個分布式矩陣結構；神經網絡的學習體現在神經網絡權值的逐步計算上包括反復迭代或累加計算。

　?。?）遺傳算法（Genetic Algorithms）

　　遺傳算法是模擬生物進化過程的算法，由三個基本算子（或過程）組成：

　　1）選擇 （selection）。即從一個舊種群（父代）選出生命力強的個體，產生新的種群（后代）的過程。

　　2）交叉（crossover）。即對選擇的兩個不同的個體（染色體）的部分（基因）進行交換，形成新個體的過程。

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

　　這種遺傳算法可起到產生優良后代的作用。這些后代需滿足適應值，經過若干代的遺傳，將得到滿足要求的后代。遺傳算法已在優化計算和分類機器學習方面發揮了顯著作用。

　?。?）、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）尋找數據庫中具有最大信息量的屬性字段，建立決策樹的一個結點，再根據該屬性字段的不同取值建立樹的分支。在每個分支集中重復建立樹的下層結點和分支的過程。