26卷 第1期2009年1月
微电子学与计算机
M ICROELECTRONICS &COM PUTER
Vol.26 No.1January 2009
收稿日期:2008-02-18
邹心遥,姚若河
(华南理工大学电子与信息学院,广东广州510640)
摘 要:电子元器件的寿命预测对于制订寿命试验的规划,确定所需的试验时间及试验经费,都有十分重要的指导作用.基于BP 神经网络提出了一种电子元器件寿命预测的方法,该方法可对当前样本的未来观测值或未来样本的观测值进行预测.对M OS 电容的加速寿命试验数据进行了仿真试验,结果表明该方法可较好地预测M OS 电容在相应的应力条件下的失效时间,且精度较高.
关键词:BP 神经网络;寿命预测;电子元器件;MO S 电容
中图分类号:T P202 文献标识码:A 文章编号:1000-7180(2009)01-0052-03
Lifetime Prediction of Electronic Devices Based on Forecast System of Back Propagation Neural Network
王文杰ZOU Xin yao,YAO Ruo he
(School of Electro n and Informat ion Eng ineering,South China U niversity of T echnology ,Guangzhou 510640,China)Abstract:T he lifetime pr ediction of electr onic devices is very important in guiding the planning of lifetime test,the deter mination of time and cost needed for lifetime test.A lifetime pr edict ion method is proposed in this paper based on Back Propagation neural netw ork,which can be used to predict the observation value both of current sample and futur e sample.A nd the application of this met hod on lifetime predictio n of M OS capacitors i s presented.T he obtained results sho w that t his method can be used to accurately predict the failure t ime of M OS capacitor under given stress conditions.Key words:BP neural networ k;lifetime prediction;electr onic device;M OS capacitors
1 引言
对电子元器件进行寿命预测,对于制订寿命试验的规划,合理地确定所需的试验时间及经费,都有十分重要的指导作用.
对当前样本的未来观测值或未来样本的观测值进行预测时,常用的方法是Bayes 方法.Bayes 方法的一个显著特点是可以充分利用先验知识.在无先验知识的情况下,Bay es 预测的精度受到影响.对此,BP 神经网络提供了一个新的预测方法,它可以通过对前n 次产品的失效时间的训练来预测未来样本的失效时间.基于此,提出了一个基于BP 神经网络的电子元器件寿命单样预测方法[1].
2 BP 神经网络预测
误差反向传播的多层前向(Error Back Propaga tion,BP)神经网络,由Rum elhart 、McCelland 等人于1986年提出,它是一种监督式的学习算法[2].这种网络不仅有输入层节点、输出层节点,而且有一层或多层隐含节点.对于输入信息,要向前传播到隐含层的节点上,经过各单元的特性为Sigmoid 型的激活函数运算后,把隐含节点的输出信息出驳到输出节点,最后输出结果.
BP 神经网络学习算法可以描述为:首先标准化训练样本,初始化权值W ji ,阈值 j ,然后输入训练样本,对每个样本k 计算其输出状态,得到其误差,并根据误差反向传播调整网络各层的权值与阈
值,如此反复调整,直到网络误差E < 1为止( 1为设定误差).样本训练完成之后,输入检验样本,若此时
网络误差E 2< 2( 2为检验误差),则该网络可以用于实际预测.否则出现 过拟合 现象,它将直接影响网络的泛化能力,使网络最终失去实用价值,应避免它的出现.
对n 个训练样本{X k ,T k },(k =1,2,!,N ),其中,X k 为第k 个样本的输入X k ={x k 1,x k 2,!,x k m }T ,T k 为输入X k 的期望输出T k ={t k 1,t k 2,!,t k n }T
.对第k 个样本第j 个神经元其状态为Net kj ,实际输出向量为O k ={O k 1,O k 2,!,O kn }T ,神经元为O kj ,W ji 为前一层第i 个神经元与后一层第j 个神经元连接权重.
对第k 个样本,第j 个神经元的状态为Net kj =
∀i
W j i O ki +
j (1)则该神经元的输出为
O kj =f (Net kj )
(2)
式中,f 为激活函数,通常采用Sigmoid 函数.
取网络训练目标函数为E k =1
2
∀j
(f kj -O kj )2
(3)
式中,E =∀E k ,E k 表示第k 个样本的输出误差,
E 表示全部样本的输出误差.则第k 个样本的输出
误差为
E k W ji =E k Net kj =Net kj
W ji = k j #O ki (4)
当该层为输出层单元时有 kj =(f kj -O k j )#O kj (1-O kj )(5)若该层为隐含层单元时,则有 kj =O kj #(1-O kj )#∀m
km W mj (6)
然后调节权值与阈值:W j i (k +1)=W ji (k )+! kj +
a[W ji (k)-W j i (k -1)]
(7)
j (k +1)= j (k )+! kj +
a[ j (k )- j (k -1)]
(8)
式(7)、式(8)中,!为学习率;a 为势态因子,最后一项为势态项,它是为了避免学习速度足够快时产生振荡.
3 电子元器件寿命单样预测
设有寿命分布总体Y,从中抽出大小为n 的样
本,其前r 个失效时间以次记为
Y (1)∃Y (2)∃!∃
Y (r),r <n
(9)
当前样本可以是定数截尾的,也可以是定时截尾的或混合截尾的,它们可以来自无替换或有替换的寿命试验.
单样预测的对象是预测当前样本的未来观测值
Y (j ),j =r +1,r +2,!,n ,即给出Y (j )的预测值.预测值与真实值之间的误差越小,则说明预测精度越高.
4 基于BP 神经网络的单样寿命预测实例
为了说明BP 神经网络在电子元器件寿命预测中应用的可行性,将其应用于M OS 电容在恒电流应力下的与时间有关的介质击穿(TDDB)加速寿命试验数据[3].从试验样本中随机选取20个MOS 电
容的寿命数据作为当前样本来进行训练,另外6个数据作为未来样本进行预测.预测时预先对所有数据均
进行归一化处理,设置BP 神经网络,设置输入
层为1个神经元,输出层为1个神经元,层数设为4,隐含层1的神经元数设为10,传递函数设为tan sig,输出层的传递函数设为tansig,训练函数设为trainbfg,学习函数设为learngd,性能函数设为msereg.然后利用已知的当前样本对网络进行训练,之后便可以利用训练好的BP 神经网络对未知样本进行预测.BP 神经网络预测系统基于M atlab 实现[4 5],其运行流程图如图1所示.
图1 BP 神经网络预测系统运行流程图
训练结果如图2所示.
53
第1期邹心遥,等:基于BP 神经网络的电子元器件寿命预测
图2 训练结果图
从训练和预测的结果可以看出,BP神经网络预测系统在MOS电容的失效时间预测方面具有很好的预测性能,训练的速度快,误差较小,预测的精度高.如果输入更多的训练样本,系统将得到更准确的预测结果.
5 结束语
BP神经网络预测系统具有良好的预测性能,将其应用于电子元器件的单样寿命预测中,拓宽了人工神经网络的应用范围,可以作为一种新的方法应用于器件可靠性寿命预测.MOS电容预测的实例说明该方法精确度较高,对于企业制订寿命试验的规划,确定所需的试验时间及试验经费,都有十分重要的指导作用,从而可为企业节省试验成本,提高竞争力.值得注意的是,要对某一对象进行较准确预测,首先是要保证训练样本必须是准确的,并且要预防BP神经网络陷入局部最优化.
参考文献:
[1]L awless J F.Statistical models and methods for lifet ime da
ta[M].2nd ed.N ew Yor k:Wiley,2003.
[2]王文杰,叶世伟.人工智能原理与应用[M].北京:人民
邮电出版社,2004.
[3]胡恒升.薄氧化硅可靠性及击穿机理研究[D].上海:中
国科学院上海冶金研究所,2000.
[4]飞思科技产品研发中心.神经网络理论与M A T LAB7实
现[M].北京:电子工业出版社,2005.
[5]Hanselman,L ittefield,李人厚.精通M AT L AB:综合辅导
与指南[M].西安:西安交通大学出版社,2001.
作者简介:
邹心遥 女,(1978-),博士研究生.研究方向为电子元器件可靠性评估.
姚若河 男,(1961-),教授,博士生导师.研究方向为集成电路设计、计算微电子学和新型光电器件等.
(上接第51页)
5 结束语
文中提出一种基于等效矩阵来求解BCH码直接译码中错误定位方程Y2+Y=K的方法.该方法简单快速,适合硬件实现,并且很容易判别方程解的存在性,便于后续的处理.BCH码直接译码器中,采用等效矩阵法求解错误定位方程比采用查表法可节省大量面积,并大大提高计算速度.将等效矩阵法推广,也可以用
来求解有限域GF(2m)(m=2, 3,4,!)上常系数方程A Y2+B Y=K的解,所以等效矩阵法是一种适应范围较广的方法.
参考文献:
[1]Chen C L,Hsiao M Y.Error-correcting codes for semi
conductor memory application:a state-of-the-art re view[J].IBM J.Res.Develop,1984(28):124-134. [2]王新梅,肖国镇.纠错码原理与方法[M].西安:西安电
子科技大学出版社,1991.
[3]张海燕,刘伯安.可配置参数的BCH编解码器的设计
[J].微电子学与计算机,2007,24(3):167-170.
[4]How ell T H,G reg g G E,Rabins L.T able loo kup direct
decoder for double error co rrecting BCH codes using a pair of syndr omes:U nited States Patent,4030067[P].1977.
[5]楚传仁,骆建军,楼向雄,等.快速纠双错BCH码译码
器:中国,200410005777[P].2004.
作者简介:
苏如伟 男,(1982-),硕士研究生.研究方向为半导体存储器中纠错码的设计.
54微电子学与计算机2009年
发布评论