지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이현수
- 발행연도
- 2019
- 저작권
- 금오공과대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (3)
2019
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
현대의 반도체 공정은 이상 진단을 위한 기계학습법이 적용되고 이에 따라 많은 수율 향상이 이루어졌다. 하지만 이는 불합격 데이터의 수집이 어려워져 데이터의 불균형을 일으키게 된다. 또한 대부분의 실제데이터는 기계의 결함 등 다양한 이유로 결측치를 포함한다. 이러한 문제점을 해소하기 위하여 본 연구에서는 데이터 분포에 기반 하여 결측치를 초기 값으로 대체한 후 생성모델을 통해 미세보정을 통해 결측치를 처리한다. 또한 생성적 적대 신경망이 가지는 모드붕괴 현상을 해소하기 위해 목적함수에 오차항을 추가하여 목적함수에 초점을 맞춰 판별을 잘하기 위한 소수 모드를 생성하는 문제를 해결하여 실제와 유사한 데이터 생성을 위한 방법을 제안한다. 또한 생성된 가상데이터를 훈련데이터로 포함하여 분류모델을 학습하게 하여 균형된 데이터로의 학습이 이루어지게 한다. 그 다음 학습된 분류기를 통해 실제 데이터를 분류하는 프레임웍을 제안한다. 이를 증명하기 위하여 실제 반도체 데이터를 통해 시뮬레이션하고, 동일한 데이터를 사용한 기존 연구들과 비교를 통해 제안하는 방법의 우수성을 증명한다.
목차
제 1 장 서 론 1제 2 장 이론적 배경 및 관련 연구 32.1 인공 신경망 32.1.1 개요 32.1.2 인공신경망의 학습 42.1.3 활성화함수 62.2 GAN 82.2.1 개요 82.2.2 GAN의 동작 102.2.3 GAN의 한계점 및 이슈 142.3 결측치 처리 및 데이터 불균형에 대한 관련 연구 142.3.1 결측치 처리 142.3.2 데이터 불균형 16제 3 장 GAN을 통한 결측치 처리 및 가상데이터 생성 203.1 데이터 전처리 213.2 결측치 미세보정 및 가상데이터 생성 233.3 모드붕괴를 고려한 가상 데이터 생성 25제 4 장 실험 및 결과 274.1 가상데이터를 사용한 분류기 학습 274.2 기존 연구와의 비교 31제 5 장 결 론 36[참고 문헌] 37
최근 본 자료
댓글(0)
0