基于机器学习的分析
Victory Analytics是一款使用机器学习的分析解决方案，专为科技行业的研发与制造打造。该系统由数据管理与可视化、特征选择与训练、建模以及优化组件构成，它的适应性强，既能涵盖模组层面的深度数据分析，如器件电气特性分析、工艺流程优化和工艺菜单优化，又能提升工厂层面的良率，如故障检测与分类（FDC）以及统计过程控制（SPC）。
先进的数据分析
Victory Analytics的应用领域
- 制造工艺：识别制造工艺中的瓶颈，改进质量控制并降低成本。
- 器件和电路的设计与优化：通过为工程师提供数据洞察，帮助他们做出更优决策。利用系统的数据训练来增加操作冗余。
- 产品良率提升：对工艺规范和目标指标进行质量控制，并实现数据驱动的决策。
功能特性
- 结合先进统计方法、神经网络和决策树算法进行多变量数据分析。
- 具备管理输入数据的能力，如检测异常值和插补缺失数据。
- 支持多级分类分析，基于经典统计和机器学习算法。
- 先进的实验设计算法，如计算机生成的 D-optimal DoE。
- 先进的数据过滤和特征选择技术，基于决策森林算法。
- 多种灵敏度算法，包括索博尔（Sobol）法、决策森林法等。
- Victory Analytics 可进行时间序列分析，包括AR/MA分析和季节性分析。
- 集成可视化工具，提供数据洞察。
- 提供 Python 接口，支持终端用户的完全自动化操作。
数据分析与建模
Victory Analytics 涉及数据的收集、清理和分析，以识别趋势、模式和关系。这是一个迭代过程，包含一系列步骤，需要对输入和输出变量有整体了解。建议按以下流程操作：
- 数据集生成：生成用于建模的数据集，包括识别分类变量、重复输入等，必要时进行数据转换和子集化。
- 回归项选择：选择用于建模的预测变量和回归项。
- 模型构建：构建常规或机器学习回归模型。
- 模型分析：进行模型评分、灵敏度和数据趋势分析。
数据分析与建模
神经网络建模窗口
神经网络分析
Victory Analytics 的神经网络基于有监督学习配置和前馈架构。神经元中具有非线性激活函数，使得神经网络呈现非线性，这也是神经网络回归相较于传统多项式回归方法的最大优势。
基于高斯过程回归的新一代分析
Victory Analytics 的高斯过程回归（GPR）在拟合非线性数据集方面表现出色。GPR通过易于使用的参数调整，简化了欠拟合和过拟合之间的平衡考量。与 Python 和 R 脚本相比，Victory Analytics 的性能更优。
高斯过程回归
优化与合意性分析
A New CMOS Simulation Template: Addressing Advanced Diffusion and Annealing Effects
虚拟量测新工具简介：Victory Extract
基于双脉冲法的IGBT开关仿真
2024 TCAD基准版本软件发布