4. 噪声滤波技术：移动平均滤波、中值滤波、Savitzky-Golay滤波在I-V曲线中的应用

在半导体器件参数提取过程中，测量系统引入的噪声会严重干扰I-V曲线的物理特征，导致后续拟合参数偏离真实值。噪声主要来源于探针接触电阻波动、电磁干扰、热噪声以及测量仪器的量化误差。本章系统介绍三种经典滤波算法在I-V曲线预处理中的应用，帮助工程师在保留器件物理特征的前提下有效抑制噪声。

4.1 噪声类型与滤波需求分析

I-V测量中的噪声通常表现为高频随机波动，其幅度与测量量程、积分时间、器件阻抗相关。下表总结了常见噪声源及其对I-V曲线的影响特征：

4.2 移动平均滤波（Moving Average Filter）

移动平均滤波是最简单的时域平滑方法，通过将每个数据点替换为其邻域内N个点的算术平均值来抑制随机噪声。其数学表达式为：

y[i] = (1/N) * Σ x[i + k]   for k = -(N-1)/2 to (N-1)/2

其中N为窗口宽度（奇数），x为原始数据，y为滤波后数据。窗口宽度越大，平滑效果越强，但信号细节损失也越严重。

4.2.1 窗口宽度选择策略

• 窄窗口（N=3~5）：适用于跨导峰值尖锐的MOSFET转移特性曲线，保留陡峭的亚阈值斜率。
• 中窗口（N=7~15）：适用于二极管正向I-V曲线，平衡噪声抑制与拐点保留。
• 宽窗口（N=21~51）：仅适用于缓变曲线（如击穿前漏电流），需配合边缘截断处理。

4.2.2 Python实现示例

import numpy as np

def moving_average(data, window_size):
    """移动平均滤波，窗口大小必须为奇数"""
    if window_size % 2 == 0:
        window_size += 1
    half = window_size // 2
    padded = np.pad(data, half, mode='edge')
    filtered = np.convolve(padded, np.ones(window_size)/window_size, mode='valid')
    return filtered

# 示例：对MOSFET Id-Vg曲线应用N=7移动平均
vg = np.linspace(0, 2, 201)
id_measured = 1e-3 * (vg - 0.5)**2 + 0.02 * np.random.randn(201)
id_filtered = moving_average(id_measured, 7)

4.3 中值滤波（Median Filter）

中值滤波是一种非线性滤波技术，将每个数据点替换为其邻域内N个点的中位数。相比移动平均，中值滤波对脉冲噪声（尖峰毛刺）具有优异的抑制能力，同时能更好地保留信号边缘。

4.3.1 适用场景

• 脉冲噪声抑制：探针接触不良导致的瞬时电流尖峰，中值滤波可完全消除。
• 台阶状失真修复：量化噪声导致的低电流区台阶，中值滤波能恢复单调性。
• 边缘保留：在阈值电压附近，中值滤波不会像移动平均那样模糊拐点。

4.3.2 窗口宽度与迭代策略

4.3.3 Python实现示例

from scipy.signal import medfilt

def median_filter_iv(vg, id_measured, kernel_size=5):
    """中值滤波，自动处理边缘"""
    id_filtered = medfilt(id_measured, kernel_size=kernel_size)
    return id_filtered

# 示例：对包含脉冲噪声的Id-Vg曲线应用中值滤波
np.random.seed(42)
vg = np.linspace(0, 2, 201)
id_clean = 1e-3 * (vg - 0.5)**2
# 添加脉冲噪声（5%概率出现幅度为0.5mA的尖峰）
noise = np.random.randn(201) * 0.02
pulse = (np.random.rand(201) < 0.05) * 0.5e-3
id_noisy = id_clean + noise + pulse
id_median = median_filter_iv(vg, id_noisy, kernel_size=5)

4.4 Savitzky-Golay滤波

Savitzky-Golay（SG）滤波是一种基于局部多项式拟合的平滑方法。它在滑动窗口内对数据进行低阶多项式最小二乘拟合，用拟合值代替原始数据点。SG滤波的核心优势在于：在平滑噪声的同时，能较好地保留信号的高阶导数特征（如跨导峰值、转折点）。

4.4.1 参数选择原则

4.4.2 跨导提取中的SG滤波应用

在MOSFET参数提取中，跨导（gm = dId/dVg）对噪声极其敏感。使用SG滤波的deriv=1模式，可以直接从原始Id-Vg数据中提取平滑的跨导曲线，避免数值微分带来的噪声放大。

from scipy.signal import savgol_filter

def extract_gm_sg(vg, id_measured, window_length=11, polyorder=3):
    """使用SG滤波直接提取跨导"""
    gm = savgol_filter(id_measured, window_length, polyorder, deriv=1, delta=vg[1]-vg[0])
    return gm

# 示例：从含噪Id-Vg中提取跨导
vg = np.linspace(0, 2, 201)
id_clean = 1e-3 * (vg - 0.5)**2
id_noisy = id_clean + 0.02 * np.random.randn(201)
gm_sg = extract_gm_sg(vg, id_noisy, window_length=15, polyorder=3)

# 对比：直接数值微分
gm_direct = np.gradient(id_noisy, vg)

4.5 三种滤波技术的对比与选择

下表从多个维度对比三种滤波技术，帮助工程师根据实际I-V曲线特征做出选择：

4.6 滤波流程与SVG架构图

下图展示了I-V曲线滤波的完整决策流程，从原始数据输入到滤波后数据输出，包含噪声类型判断、滤波器选择、参数优化和效果验证四个阶段：

4.7 滤波效果评估指标

滤波效果不能仅凭视觉判断，需要引入定量评估指标。以下指标在ICCAP参数提取中具有实际意义：

• 均方根误差（RMSE）：衡量滤波后曲线与原始数据的偏差，反映噪声抑制程度。
• 平滑度（Smoothness）：二阶差分值的均值，值越小表示曲线越平滑。
• 拐点保留率（KPR）：滤波前后阈值电压或跨导峰值位置的变化量，应小于测量步长的1/2。
• 残差自相关性：滤波残差（原始-滤波）应呈现白噪声特征，若存在明显结构则说明过拟合或欠拟合。

def evaluate_filter(vg, id_original, id_filtered):
    """评估滤波效果"""
    # RMSE
    rmse = np.sqrt(np.mean((id_original - id_filtered)**2))
    # 平滑度（二阶差分均值）
    smoothness = np.mean(np.abs(np.diff(id_filtered, n=2)))
    # 拐点保留（以最大值位置为例）
    peak_orig = vg[np.argmax(np.gradient(id_original, vg))]
    peak_filt = vg[np.argmax(np.gradient(id_filtered, vg))]
    kpr = np.abs(peak_orig - peak_filt)
    return {'RMSE': rmse, 'Smoothness': smoothness, 'KPR': kpr}

4.8 滤波顺序与组合策略

在实际ICCAP参数提取流程中，单一滤波器往往难以满足所有需求。推荐采用以下组合策略：

1. 先中值滤波（N=5）：消除脉冲噪声和异常值，恢复数据单调性。
2. 再SG滤波（window=11, polyorder=3）：平滑高斯噪声，同时保留跨导特征。
3. 最后检查边缘效应：截除滤波窗口导致的边界失真数据点（每侧half_window个点）。

4.9 ICCAP中的滤波实现路径