一种晶圆表面缺陷模式检测与分析方法

摘要

本发明提出了一种晶圆表面缺陷模式检测与分析方法，该方法能够检测出晶粒的表面缺陷，并判断缺陷晶粒的分布模式及缺陷模式成因。本方法属于晶圆生产制造过程中的缺陷检测领域，旨在解决目前的缺陷检测方法中存在的人工劳动强度大、检测效率低等问题。具体流程包括：获取晶粒图像，通过机器视觉方法生成晶圆缺陷模式图；构建并训练晶圆缺陷模式检测模型与分类模型，检测模型用于判断晶圆是否存在缺陷模式，分类模型用于判断具体的缺陷模式类别；最后根据相似性度量算法在数据库中检索出与待测样本最相似的已标记样本，通过分析已知样本的缺陷模式成因，推断待测样本的缺陷模式成因。

权利要求

1.一种晶圆表面缺陷模式检测与分析方法，其特征在于，所述方法包括如下几个步骤：步骤1，利用工业电子显微镜对晶圆上的晶粒逐个扫描，获取晶粒原始图像；

步骤2，提取晶粒图像的颜色直方图特征，并与模板库中标准晶粒图像和背景图特征进行相似性判别，生成晶圆缺陷特征矩阵；

步骤3，扫描结束后，将晶圆缺陷特征矩阵转化为晶圆缺陷模式图，进行中值滤波；

步骤4，基于WM811K晶圆数据集，构建晶圆缺陷模式检测模型并进行训练，利用该模型判断晶圆图是否存在已知缺陷模式类型，如果不存在缺陷模式，则判断为正常晶圆，检测过程结束，如果存在缺陷模式，则进行步骤5；

步骤5，基于WM811K晶圆数据集，构建晶圆缺陷模式分类模型并进行训练，利用该模型判断具体的晶圆缺陷模式类别；

步骤6，基于步骤5构建的缺陷模式分类模型，提取Fc2层输出的晶圆缺陷模式图特征，采用相似性度量算法计算待测样本与数据库中已标记样本的相似性，按照相似性由大到小排序，保留相似性最大的样本，通过分析该样本的缺陷模式成因，进而判断待测样本的具体缺陷成因；

步骤4具体如下：

模型基于Tensorflow框架搭建，由三层卷积层和两层全连接层构成；卷积层使用的卷积核尺寸为3×3，步长为1×1，激活函数为ReLU；每个卷积层后采用3×3的最大池化层进行下采样；全连接层Fcl采用Sigmoid作为激活函数，并加入Dropout防止过拟合，Dropout概率取值为0.5；

训练前，将步骤3处理后的图像作随机旋转和随机裁剪，并对输入图像进行标准化和归一化，标准化即将图像尺寸限制为224×224，归一化将三个通道的像素限制在(0，1)之间；

训练时损失函数选用Adam优化算法，学习率η＝0.0001；

步骤5具体如下：

模型基于Tensorflow框架搭建，由七层卷积层和三层全连接层组成；卷积层尺寸为3×

3，步长为1×1，激活函数为ReLU；卷积层Conv2、Conv4和Conv7的输出特征均采用3×3的最大池化层下采样；全连接层Fc1和Fc2采用Sigmoid作为激活函数，并加入Dropout防止过拟合，Dropout概率取值为0.5；

训练前对待测样本图像作随机旋转和随机裁剪，并将图像尺寸限制为224×224，将三个通道的像素限制在(0，1)之间；损失函数选用Adam优化算法，学习率η＝0.0001；引入L2正则化对参数加以限制，防止过拟合，如公式(1)所示；

L＝E+λ∑jωj2  (1)

其中，E为原始代价函数，λ为正则化系数，λ取值为1×10-6，ωj为神经网络随机初始化和每轮迭代更新后得到的权重参数，L为引入正则化后的损失函数。

2.如权利要求1所述的一种晶圆表面缺陷模式检测与分析方法，其特征在于，步骤6具体如下：将待测样本输入到步骤5的分类模型中，提取第Fc2层的输出特征作为原始特征向量a0；

采用同样方法提取数据库中所有样本的原始特征，设数据库中样本数量为N，与待测样本组成原始特征矩阵A(N+1)×1024；采用PCA算法对特征矩阵降维，降维后的矩阵X(N+1)×254中每一行为一个样本的特征向量，每个样本具有254维特征；应用公式(2)将向量元素映射至区间[0，

1]，构成样本集D＝{μ0，μ1，μ2，…，μN}；

其中，xi为降维后矩阵X的第i行向量，即第i个样本特征，xi，min和xi，max分别为该向量的最小值与最大值，μi为归一化后的第i个样本特征向量；

将样本集矩阵D中的N+1个特征向量按照公式(3)进行区间映射；利用公式(4)计算映射后待测样本特征向量μ0*与数据库中特征向量μk*的汉明距离，其中k∈{1，2，3…，N}；数据库中的样本缺陷模式成因已标记好，将距离按照由小到大排序，保留距离最小的样本作为近似查找结果，通过分析该样本的缺陷模式成因，进而推断待测样本的根本缺陷成因；

其中，μi，j为第i个特征向量中的第j个元素；

* *

其中，μ0表示待测样本特征向量，μk表示数据库中第k个样本特征向量。

说明书

一种晶圆表面缺陷模式检测与分析方法

技术领域：

[0001] 本发明属于晶圆生产制造过程中的缺陷检测领域。具体涉及一种对晶圆表面缺陷采用机器视觉方法进行检测、判断缺陷模式类型并分析缺陷模式成因的方法。

背景技术

[0002] 集成电路是当今信息技术产业高速发展的基础和源动力，已经高度渗透与融合到国民经济和社会发展的每个领域，其技术水平和发展规模已成为衡量一个国家产业竞争力和综合国力的重要标志之一。近年来，我国不断推出产业政策和方针计划推动并指引集成电路产业的发展。集成电路的生产制造有着非常复杂的流程，其中，晶圆作为制造芯片的主要材料，其表面缺陷是影响产品良率的主要障碍。通过检测晶圆表面缺陷，不仅能发现有缺陷的晶粒，还能根据缺陷晶粒的分布模式判断工艺流程中存在的故障，便于工程师进行工艺改良。目前，晶圆缺陷检测主要分为两类：通过探针测试检测晶粒的电气性能和通过人工目检检测晶圆表面的缺陷，两种方式生成晶圆缺陷模式图后由经验丰富的工程师判断缺陷模式成因。人工目检的方式效率低、速度慢、劳动强度大，亟需一种能够自动检测晶圆表面缺陷并判断缺陷模式成因的方法。

[0003] 针对晶圆缺陷模式检测与分析，早期采用的是基于统计分析的方法，比如缺陷密度分布的估计、缺陷聚类分析等。这些方法往往只集中于缺陷模式的统计分析，无法对缺陷模式进行具体的分类。模板匹配也曾广泛用于晶圆缺陷模式检测与分析中，该方法是一种像素层面的图像比较算法，通过建立不同表面缺陷模式的标准模板库，用待检测样本与模板进行匹配对比，进而判断缺陷类型。但这种方法在建立标准库时只能依赖已有的表面缺陷样本，而同一模式的表面缺陷间也会存在较大的形态变化，表面缺陷样本并不能反应所有的表面缺陷模式。近些年来，机器学习方法在晶圆表面缺陷模式分析领域有了广泛应用，例如最近邻、支持向量机、BP神经网络等等。但这些方法都具有复杂的特征工程，需要人工提取晶圆缺陷模式图特征，分类准确率低。同时，以上方法仅局限于晶圆缺陷模式分类，而在每种缺陷模式下，晶圆的根本缺陷成因不同，以上方法无法分析缺陷模式成因。

发明内容

[0004] 本发明主要目的在于提出一种晶圆表面缺陷模式检测与分析方法，该方法能够应用到晶圆生产制造过程中，代替现在人工目检的方式，实现机器自动检测晶圆表面存在缺陷的晶粒，根据缺陷晶粒的分布模式判断晶圆缺陷模式类型并分析缺陷模式成因。本发明旨在解决以下问题：

[0005] 1.晶圆表面缺陷检测主要通过人工目检生成晶圆缺陷模式图，效率低、速度慢、劳动强度大；

[0006] 2.目前的晶圆表面缺陷模式分类算法准确率低，且需要人工提取待测晶圆缺陷模式图特征；

[0007] 3.现有的晶圆缺陷模式检测算法仅局限于缺陷模式分类，而每种类别模式下的缺陷成因并不相同，现有方法无法分析晶圆缺陷模式的根本成因。

[0008] 为了解决以上问题，本发明提出一种晶圆表面缺陷模式检测与分析方法，该方法首先检测出表面存在缺陷的晶粒，有缺陷的晶粒会在晶圆上聚集成一定的分布模式，本方法涉及的缺陷模式类型包括：Center、Donut、Edge-Loc、Edge-Ring、Loc、Random、Scratch、Near-Full。通过构建的晶圆缺陷模式检测模型判断晶圆上是否存在缺陷模式，若不存在，则为正常晶圆，若存在缺陷模式，再通过分类模型判断具体的缺陷模式类型。最后根据相似性度量算法在数据库中检索出与待测样本最相似的已标记样本，通过分析已知样本的缺陷模式成因，从而推断待测样本的缺陷模式成因。

[0009] 本发明具体工作流程如下：

[0010] 步骤1，利用工业电子显微镜对晶圆上的晶粒逐个扫描，获取晶粒原始图像；

[0011] 步骤2，提取晶粒图像的颜色直方图特征，并与模板库中标准晶粒图像和背景图特征进行相似性判别，生成晶圆缺陷特征矩阵；

[0012] 步骤3，扫描结束后，将晶圆缺陷特征矩阵转化为晶圆缺陷模式图，进行中值滤波；

[0013] 步骤4，基于WM811K晶圆数据集，构建晶圆缺陷模式检测模型并进行训练，利用该模型判断晶圆图是否存在已知缺陷模式类型，如果不存在缺陷模式，则判断为正常晶圆，检测过程结束，如果存在缺陷模式，则进行步骤5；

[0014] 步骤5，基于WM811K晶圆数据集，构建晶圆缺陷模式分类模型并进行训练，利用该模型判断具体的晶圆缺陷模式类别；

[0015] 步骤6，基于步骤5构建的缺陷模式分类模型，提取Fc2层输出的晶圆缺陷模式图特征，采用相似性度量算法在数据库中检索出与待测样本最相似的已标记缺陷样本，通过分析已标记样本的缺陷模式成因，判断待测样本的缺陷成因。

[0016] 步骤4中，晶圆缺陷模式检测模型由三层卷积层和两层全连接层组成，模型基于Tensorflow框架搭建，具体模型结构如下表所示：

[0017]

[0018] 卷积层使用的卷积核尺寸为3×3，步长为1×1，激活函数为ReLU。每个卷积层后采用3×3的最大池化层进行下采样。全连接层Fc1采用Sigmoid作为激活函数，并加入Dropout防止过拟合，Dropout概率取值为0.5。

[0019] 训练前，将步骤3处理后的图像作随机旋转和随机裁剪，并对输入图像进行标准化和归一化，标准化即将图像尺寸限制为224×224，归一化将三个通道的像素限制在(0，1)之间。基于WM811K数据集，选取22038张无缺陷模式的晶圆图作为正样本，15311张存在缺陷模式的晶圆图作为负样本。训练时损失函数选用Adam优化算法，学习率η＝0.0001，样本batch_size为64，每一轮迭代包含583个批次，迭代次数为epoch＝10。

[0020] 步骤5中，晶圆缺陷模式检测模型由七层卷积层和三层全连接层组成，模型基于Tensorflow框架搭建，具体模型结构如下表所示：

[0021]

[0022]

[0023] 卷积层使用的卷积核尺寸为3×3，步长为1×1，激活函数为ReLU。卷积层Conv2、Conv4和Conv7的输出特征均采用3×3的最大池化层下采样。全连接层Fc1和Fc2采用Sigmoid作为激活函数，并加入Dropout防止过拟合，Dropout概率取值为0.5。

[0024] 训练前对样本图像作随机旋转和随机裁剪，并将图像尺寸限制为224×224，将三个通道的像素限制在(0，1)之间。WM811K晶圆数据集中标记的缺陷样本共25519张，选取60％作为训练集，即Center：2576，Donut：333，Edge-Loc：3113，Edge-Ring：5808，Loc：2155，Random：519，Scratch：715，Near-Full：93。损失函数选用Adam优化算法，学习率η＝0.0001，样本batch_size为128，每一轮迭代包含199个批次，迭代次数为epoch＝250。引入L2正则化对参数加以限制，防止过拟合，如公式(1)所示。

[0025] L＝E+λ∑jωj2  (1)

[0026] 其中，E为原始代价函数，λ为正则化系数，本方法中λ取值为1×10-6，ωj为神经网络随机初始化和每轮迭代更新后的权重参数，L为引入正则化后的损失函数。

[0027] 步骤6中，将待测样本输入到步骤5的分类模型中，提取Fc2层的输出特征作为原始特征向量a0。采用同样方法提取数据库中所有样本的原始特征，设数据库中样本数量为N，与待测样本组成原始特征矩阵A(N+1)×1024。采用PCA算法将原始特征矩阵降至254维，降维后的矩阵X(N+1)×254中每一行为一个样本降维后的特征向量。应用公式(2)将向量元素映射至区间[0,1]，构成样本集D＝{μ0，μ1，μ2，…，μN}。

[0028]

[0029] 其中，xi为矩阵X的第i行特征向量，xi，min和xi，max分别为该向量的最小值与最大值，μi为归一化后的第i个样本特征向量。

[0030] 将样本集矩阵D中的N+1个特征向量按照公式(3)进行区间映射。利用公式(4)计算映射后待测样本特征向量μ0*与数据库中特征向量μk*(k∈{1，2，3...，N})的汉明距离，选择距离最小的样本作为近似查找结果，数据库中的样本缺陷模式成因已标记好，通过分析该样本的缺陷模式成因，推断待测样本的根本缺陷成因。

[0031]

[0032] 其中，μi，j为第i个特征向量中的第j个元素。

[0033]

[0034] 其中，μ0*表示待测样本特征向量，μk*表示数据库中第k个样本特征向量。

[0035] 本发明具有如下优点：

[0036] 本方法采用机器视觉方法检测晶圆表面缺陷，并生成晶圆缺陷模式图，大大降低了人工劳动成本，提高晶圆检测效率。采用卷积神经网络构建晶圆表面缺陷模式检测与分类模型，训练后的检测模型在5104个缺陷样本中缺陷检出率为99.5％，分类模型能够准确判别8种缺陷模式，分别为：Center、Donut、Edge-Loc、Edge-Ring、Loc、Random、Scratch、Near-Full，测试时准确率分别为：99.8％、88.5％、92.1％、97.1％、85.4％、96.2％、98.9％、99.9％，模型检测效果均优于现有算法。本发明在分类模型的基础上，提出一种相似性度量算法用于分析待测样本的缺陷模式成因，使得模型不仅能够判断缺陷模式，还能分析造成该缺陷模式的根本原因。本发明能够应用在晶圆制造加工过程中的缺陷检测领域，代替人工对晶圆缺陷进行检测和分析。

附图说明

[0037] 图1晶圆表面缺陷模式检测与分析方法流程图；

[0038] 图2(a)为相机扫描晶粒方式示意图，(b)为晶圆缺陷特征矩阵示意图；

[0039] 图3由晶圆缺陷特征矩阵生成的晶圆缺陷模式图，其中(a)为生成的原始缺陷模式图None，即为正常晶圆，(b)为滤波后缺陷模式图；

[0040] 图4 WM811K晶圆数据集中晶圆缺陷模式示例；

[0041] 图5晶圆缺陷模式检测模型结构示意图；

[0042] 图6晶圆缺陷模式分类模型结构示意图；

[0043] 图7相似性排序结果示意图，查询结果中最左侧为相似度最高的样本。

具体实施方式

[0044] 下面结合附图与实例，针对本方法做详细说明。

[0045] 图1为晶圆表面缺陷模式检测与分析方法的流程图，首先扫描晶圆上的晶粒，生成晶圆缺陷模式图，经过图像预处理后输入到训练好的晶圆缺陷模式检测模型中，若不存在缺陷模式，则为正常晶圆，退出检测过程；若存在缺陷模式，则输入到分类模型中，判断具体的缺陷模式类型。最后根据提出的相似性度量算法，在数据库中找出与待测样本最相似的样本，通过分析该相似样本的缺陷模式成因，进而推断造成待测样本缺陷的根本原因。具体步骤如下：

[0046] 1.采集晶圆图像

[0047] 图像采集设备采用工业电子显微镜，像素为2400万，采集的图像可实时传输到计算机进行处理。图2为相机扫描晶粒的方式及生成的晶圆缺陷特征矩阵示意图，如图2(a)所示，相机沿箭头方向扫描晶圆，获取晶粒图像和当前相机的位置。

[0048] 2.生成晶圆缺陷特征矩阵

[0049] 由于晶粒图像比较简单，图像的灰度级分布即可体现出正常晶粒与缺陷晶粒的差异，故提取晶粒图像的颜色直方图特征，与正常晶粒图像、背景图特征进行相似度计算。相似度计算采用巴氏距离(Bhattacharyya Distance)法，如公式(5)所示，分别计算实际晶粒与标准晶粒图像、背景图的相似度，设定阈值为0.9，相似度低于阈值时判断为缺陷晶粒。与晶粒位置对应生成晶圆缺陷特征矩阵，如图2(b)所示，背景图保存为0，正常晶粒保存为1，缺陷晶粒保存为2。

[0050]

[0051] H1，H2分别为实际晶粒图像和标准图像的直方图特征， 分别为直方图特征数据的平均值，N为直方图中bin的个数。

[0052] 3.生成晶圆缺陷模式图

[0053] 将晶圆缺陷特征矩阵按照0为白色、1为蓝色、2为紫色生成晶圆缺陷模式图，如图3(a)所示，此时晶圆图上含有大量噪声，影响后续的判别与分析。通过中值滤波，滤除部分噪声，滤波后结果如图3(b)所示。

[0054] 4.晶圆缺陷模式检测

[0055] 检测模型用于缺陷晶粒是否在晶圆上聚集成一定的缺陷模式。若不存在缺陷模式，则为正常晶圆，检测过程结束；若存在缺陷模式，则进行后续处理。

[0056] (1)样本准备

[0057] 本方法训练用的样本为WM811K晶圆数据集，该数据集共有样本数量为811457，其中仅有172950个样本是已标记的，图4所示为该数据集中晶圆缺陷模式示例，其中包含8种有缺陷模式的晶圆和一种无缺陷模式的晶圆(None)。选取22038张正常晶圆图(None)作为正样本，15311张存在缺陷模式的晶圆图作为负样本，缺陷类型分别为：Center、Donut、Edge-Loc、Edge-Ring、Loc、Random、Scratch、Near-Full，其数量分别占负样本总数的比例为：16.82％、2.17％、20.33％、37.94％、14.07％、3.39％、4.67％、0.61％。

[0058] (2)模型构建及训练

[0059] 模型基于Tensorflow框架搭建，图5为晶圆缺陷模式检测模型结构示意图，Conv1至Conv3层为卷积层，卷积核尺寸均为3×3，卷积步长为1×1。激活函数采用ReLU，如公式(6)所示，该激活函数加快了网络拟合速度，增强参数稀疏性，防止模型过拟合。每层卷积层后采用一个3×3的最大池化层进行下采样。为了防止过拟合，训练时模型在Fc4层引入了Dropout方法，随机使一部分神经元失活，本方法将Dropout概率值设置为0.5。全连接层Fc4的激活函数与卷积层不同，使用Sigmoid，如公式(7)所示，输出层经过Softmax算法输出分类概率。

[0060]

[0061] 其中，x为卷积神经网络中卷积层神经元节点的值。

[0062]

[0063] 其中，z为卷积神经网络中全连接层神经元节点的值。

[0064] 训练前，将步骤3处理后的图像作随机旋转和随机裁剪，并对输入图像进行标准化和归一化，标准化即将图像尺寸限制为224×224，归一化采用公式(8)将三个通道(x，y，z)的像素限制在(0，1)之间。训练时损失函数选用公式(9)所示的交叉熵损失。采用Tensorflow中封装的Adam算法进行优化，学习率η＝0.0001，每批次样本batch_size为64，每一轮迭代包含583个批次，迭代次数为epoch＝10。

[0065]

[0066] 其中，I(x,y,z)表示输入的彩色图像三通道像素值。

[0067]

[0068] 其中，y(i)为真实值， 为预测值，n为每批次的样本数目。

[0069] 5.晶圆缺陷模式分类

[0070] 分类模型用于判别晶圆图的具体缺陷模式，本方法能够判别8种缺陷模式：Center、Donut、Edge-Loc、Edge-Ring、Loc、Random、Scratch、Near-Full。

[0071] (1)样本准备

[0072] WM811K晶圆数据集中标记的缺陷样本共25519张，选取60％作为训练集，15％作为验证集，25％作为测试集。训练集中，每种缺陷模式的样本数量分别为：

[0073] Center：2576；Donut：333；Edge-Loc：3113；Edge-Ring：5808；Loc：2155；Random：519；Scratch：715；Near-Full：93。

[0074] (2)模型构建及训练

[0075] 分类模型结构如图6所示，基于tensorflow框架进行搭建。前七层为卷积层，均采用3×3的卷积核，步长为1×1，激活函数选用ReLU，在Conv2、Conv4、Conv7层后分别连接一个最大池化层进行下采样，降低特征维度。最后三层为全连接层，激活函数选用sigmoid。

[0076] 训练前对待测样本图像作随机旋转和随机裁剪，并将图像尺寸限制为224×224，将三个通道的像素限制在(0，1)之间。训练时在第Fc8、Fc9层引入Dropout方法防止过拟合，同时，采用L2正则化方法对训练参数加以限制，其原理如公式(10)所示。选择交叉熵损失作为损失函数，采用Tensorflow封装好的Adam算法进行优化。学习率η＝0.0001，样本batch_size设置为128，每一轮迭代包含199个批次，迭代次数为epoch＝250。

[0077] L＝E+λ∑jωj2  (10)

[0078] 其中，E为原始代价函数，λ为正则化系数，本方法中λ取值为1×10-6，ωj为神经网络随机初始化和每轮迭代更新后的权重参数，L为引入正则化后的损失函数。

[0079] 6.晶圆缺陷成因分析

[0080] 基于步骤5中的分类模型，将数据库中样本输入到模型中，提取Fc2层输出的特征，保存为HDF5文件，Fc2层提取的原始特征数据为1024维。采用同样方式提取待测样本的特征数据构成原始特征向量a0，设数据库中样本数量为N，待测样本与数据库中样本的特征向量组成原始特征矩阵A(N+1)×1024＝(a0，a1，a2，...，aN)T。采用PCA算法对特征矩阵降维，降维过程如下：

[0081] (1)对矩阵A进行中心化操作，设向量 为矩阵每一维度的均值向量，将原始特征矩阵减去均值得到矩阵A*，如公式(11)所示。

[0082]

[0083] 其中，Aij为矩阵A中第i个样本的第j维特征， 为矩阵A第j维特征的均值，Aij*为矩阵A*中第i个样本的第j维特征。

[0084] (2)计算矩阵A*的协方差矩阵，协方差度量两个变量的线性相关性程度，协方差矩阵计算如公式(12)所示。

[0085]

[0086] 其中，N为数据库中样本数量。

[0087] (3)计算协方差矩阵的特征向量和特征值，按特征值由大到小排序，经验证，保留前254个主成分效果最好，得到更新后的特征向量矩阵v1024×254，矩阵中每一列为一个特征向量。

[0088] (4)根据公式(13)将原始特征数据矩阵A(N+1)×1024与特征向量矩阵v1024×254相乘，转化为降维后的矩阵X(N+1)×254＝(x0，x1，x2，…，xN+1)T，此时，X中每一行为降维后每个样本的特征向量，维度为254维。

[0089] X＝A×v  (13)

[0090] 其中，A为原始特征矩阵，v为特征向量矩阵。

[0091] 应用公式(14)将向量元素映射至区间[0,1]，构成样本集D＝{μ0，μ1，μ2，…，μN}。

[0092]

[0093] 其中，xi为矩阵X的第i行向量，即第i个样本特征，xi，min和xi，max分别为该向量的最小值与最大值，μi为归一化后的第i个样本特征向量。

[0094] 将样本集矩阵D中的N+1个特征向量按照公式(15)进行区间映射。利用公式(16)计算待测样本特征向量μ0*与数据库中特征向量μk*(k∈{1，2，3...，N})的汉明距离，选择距离最小的样本作为近似查找结果。图7为基于该相似性度量算法计算相似性后按照相似度大小排序的结果图，排序结果中最左侧为相似度最高的样本，也将作为参考样本。数据库中的样本缺陷模式成因已标记好，通过分析该参考样本的缺陷模式成因，进而推断待测样本的根本缺陷成因。

[0095]

[0096] 其中，μi，j为特征向量μi的第j个元素。

[0097]

[0098] 其中，μ0*表示待测样本特征向量，μk*表示数据库中第k个样本特征向量。