[发明专利]电子元器件近场扫描电磁图案聚类分析方法和系统

说明书

本发明涉及一种电子元器件近场扫描电磁图案聚类分析方法，所述方法包括：对被测器件进行近场扫描，再对扫描得到的数据进行后期处理得到电磁图像，然后利用改进的K‑Means聚类方法对得到的电磁图案进行聚类分析；其中，所述改进的K‑Means聚类方法是先通过手肘法确定K值，再利用K‑Means聚类方法对得到的电磁图案进行聚类分析。本发明还涉及实施所述方法的电子元器件近场扫描系统。本发明的方法采用改进的K‑Means算法，该算法可不用预先设定初始聚类值K，能更加智能化地进行电磁图案聚类。

技术领域

本发明涉及电磁图案聚类，特别是涉及一种电子元器件近场扫描系统和扫描后电磁图案聚类分析方法。

背景技术

在现今集成技术和半导体工艺水平下，芯片/电路的集成度高，规模大。产品出现电磁可靠性问题变得越来多，对产品进行电磁辐射评估是非常有必要的。由于人工排查工作量大，存在一定的困难。

近年来，近场扫描被广泛应用于测量IC电磁辐射，高分辨率探针观察磁性材料的磁畴等，在电磁干扰诊断中起着重要作用，而近场扫描的电磁图案能直观反映EMC的设计问题，其中，通过对于近场扫描的数据进行后期处理，将处理后的数据可视化形成电磁图案，再通过肉眼人工观察电磁图案对产品芯片进行电磁辐射分析。但是，随着集成电路工作频率的不断提高，电磁干扰变得越来越复杂，人工观察电磁图案效率不高且电磁图案数量增加。

为了让后期分析变得更加智能化，提高分析效率，可以针对近场扫描电磁图案进行聚类分析，利用机器学习中的无监督学习对获取的电磁图案做聚类。聚类是研究对象分成多个类或簇，同一簇中的对象具有较高的相似度，而不同簇中的对象差别较大。在聚类中运用最多的算法是K-Means，K-Means算法思路简单、效果较好，利用欧几里得距离计算对象之间的相似度。该算法流程是：首先，预先设定初始聚类数目k以及k个初始聚类中心。其次，计算其他对象到聚类中心的欧几里得距离，根据计算得到的欧几里得距离，将数据对象分配到与其相距最近的聚类中心所在的簇中。接着，计算每一簇中数据对象的均值作为新的聚类中心。最后，不断降低类簇的误差平方和(Sum of Squared Error，SSE)，当SSE不再变化或目标函数收敛时，聚类结束，得到最终结果。

现有技术中，把聚类用于电磁辐射评估的应用还比较少，把K-Means算法用于电磁图案聚类可以取得一定的效果，但是利用K-Means算法也有局限性，需要人工预先设定初始聚类数目K值，这不仅需要花费时间，不够人工智能，还会带入主观判断造成结果的误差。

发明内容

针对现有技术的缺陷，本发明提出一种基于近场扫描的芯片表面电磁数据信息提取和电磁图案聚类改进K-Means算法，该算法可不用预先设定初始聚类值K，能更加智能化地进行电磁图案聚类。

本发明采取的技术方案如下：

一种电子元器件近场扫描电磁图案聚类分析方法，其特征在于，包括：对被测器件进行近场扫描，再对扫描得到的数据进行后期处理得到电磁图像，然后利用改进的K-Means聚类方法对得到的电磁图案进行聚类分析；

其中，所述改进的K-Means聚类方法是先通过手肘法确定K值，再利用K-Means聚类方法对得到的电磁图案进行聚类分析。

具体地，所述方法包括如下步骤：

第一步：通过测试确保被测器件能够工作正常且表面足够平整；

第二步：将被测器件水平放置在测试台上，并正常上电；

第三步：调整电磁探头在被测器件上方运动的扫描平面；

第四步：设置频谱仪的参数；

第五步：控制电磁探头对被测器件进行扫描；

第六步：导出扫描得到的电磁数据，进行后期处理并可视化，得到电磁图像；