29、晶圆表面缺陷模式识别与民航旅客问题意图识别研究

晶圆表面缺陷模式识别与民航旅客问题意图识别研究

在工业生产和服务领域，精准的识别技术至关重要。在半导体制造中，晶圆表面缺陷模式的准确识别对于保证产品质量和生产效率起着关键作用；在民航服务中，准确识别旅客问题的意图则有助于提高服务质量和响应速度。下面将分别介绍基于无监督学习的晶圆表面缺陷模式识别方法以及基于自注意力和深度神经网络文本分类方法的民航旅客问题意图识别研究。

晶圆表面缺陷模式识别

实验设置

在进行晶圆表面缺陷模式识别实验时，设置了一系列的参数。批量大小设定为 256，在微调模型中，动量设为 0.9，学习率设为 0.001。同时，CNN 全监督模型也使用与微调模型相同的超参数。实验基于 PyTorch 1.5.0 进行，并在 3 块 GTX - 1080Ti GPU 上开展。

分类性能

为了测试无监督学习在晶圆表面缺陷模式识别中的性能，进行了相关实验。以下是实验结果的混淆矩阵（表 1），该矩阵展示了所提出方法在晶圆表面缺陷模式识别中的整体准确率。所有结果是在 WM - 811K 测试集上进行五次实验的平均值。

缺陷模式	Center	Donut	Edge - Loc	Edge - Ring	Local	Near - Full	None	Random	Scratch