一种混合搜索算法优化BP神经网络的多芯片故障诊断方法技术

本发明专利技术公开了一种混合搜索算法优化BP神经网络的多芯片故障诊断方法，包括：建立每个待检测芯片中各管脚的伏安特性曲线；基于伏安特性曲线，提取各管脚的特征值，并构建待检测芯片的故障模型；利用Logistic‑Sine‑Cosine混沌映射初始化麻雀种群；基于初始化的麻雀种群，利用引入萤火虫扰动的麻雀搜索算法搜索搭建的BP神经网络的最优参数；将故障模型输入构建好的BP神经网络，得到待检测芯片各个管脚的故障诊断结果。本发明专利技术解决了麻雀搜索算法在处理复杂优化问题时搜索空间不足、收敛速度慢和易陷入局部最优的问题，使搜索的种群位置更加均匀，基于FSSA算法搜索到的最优参数构建得到的BP神经网络具有良好的性能，实现了大规模芯片检测。

【技术实现步骤摘要】

本专利技术属于芯片故障诊断，具体涉及一种混合搜索算法优化bp神经网络的多芯片故障诊断方法。

技术介绍

1、近年来，随着电子系统的复杂性、综合性和智能性程度不断提高，芯片尺寸不断缩小，管脚数目逐渐增多，对芯片的生产质量和生产效率提出了更高的要求。芯片生产制造过程中技术复杂，材料、环境、工艺参数等因素的微变常导致芯片产生内部电性故障，影响产品良率。芯片内部故障检测作为芯片生产线中的关键环节，可以积极地反馈产品质量信息，避免瑕疵产品流入市场，提高设备可靠性和稳定性。传统的人工观察芯片电流、电压等信号的检测方法存在效率低、精度低、劳动强度大和标准不统一等缺点。针对这一问题，神经网络因其出色的并行数据处理、良好的容错性以及较好的自适应性在故障诊断上得到了广泛应用。

2、bp神经网络是应用最广泛的一种神经网络，但它存在所需训练样本多、易陷入局部极小、学习效率低、收敛速度慢等问题。一般bp神经网络模型的建立、学习以及诊断的效率都与输入故障向量维数的高低有关，维数越高，网络结构越庞大；且传统的梯度下降法优化网络参数时极易陷入局部最优，最后影响bp神经网络学习、本文档来自技高网...

【技术保护点】

1.一种混合搜索算法优化BP神经网络的多芯片故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的混合搜索算法优化BP神经网络的多芯片故障诊断方法，其特征在于，基于所述伏安特性曲线，提取所述各个管脚的特征值，并构建待检测芯片的故障模型的步骤，包括：

3.根据权利要求1所述的混合搜索算法优化BP神经网络的多芯片故障诊断方法，其特征在于，利用Logistic-Sine-Cosine混沌映射初始化麻雀种群的步骤，包括：

4.根据权利要求3所述的混合搜索算法优化BP神经网络的多芯片故障诊断方法，其特征在于，基于初始化的麻雀种群，利用引入萤火虫扰动的麻雀搜索...

【技术特征摘要】

1.一种混合搜索算法优化bp神经网络的多芯片故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的混合搜索算法优化bp神经网络的多芯片故障诊断方法，其特征在于，基于所述伏安特性曲线，提取所述各个管脚的特征值，并构建待检测芯片的故障模型的步骤，包括：

3.根据权利要求1所述的混合搜索算法优化bp神经网络的多芯片故障诊断方法，其特征在于，利用logistic-sine-cosine混沌映射初始化麻雀种群的步骤，包括：

4.根据权利要求3所述的混合搜索算法优化bp神经网络的多芯片故障诊断方法，其特征在于，基于初始化的麻雀种群，利用引入萤火虫扰动的麻雀搜索算法fssa搜索搭建的bp神经网络的最优参数的步骤，包括：

5.根据权利要求4所述的混合搜索算法优化bp神经网络的多芯片故障诊断方法，其特征在于，按照如下公式，根据所述发现者的当前...

【专利技术属性】
技术研发人员：任获荣，王续琳，吕银飞，李志武，刘洋，焦昶哲，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：