买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明公开了一种基于MI‑AGA优化广义回归神经网络的半导体晶圆制造系统性能预测方法，其包括：将数据集中的数据按照一定比例划分为训练样本和测试样本；基于互信息方法量化训练样本的特征与性能指标相关性，获取影响性能指标的关键特征；将所述降维后的训练样本带入归一化公式进行标准化处理；归一化处理后的训练样本输入到广义回归神经网络模型中并输出预测值；进行模型训练和动态改进操作，采用自适应遗传算法对所述光滑因子进行优化，通过不断产生新的种群而得到最优值。本发明提升学习速度和非线性映射能力，从而提升效率，并通过自适应遗传算法进一步优化模型的精度，赋予其更好的拟合及泛化能力。

主权项：1.一种基于MI-AGA优化广义回归神经网络的半导体晶圆制造系统性能预测方法，其特征在于，其包括：S1：使用python工具将半导体晶圆制造系统数据集中的数据按照一定比例划分为训练样本和测试样本；S2：基于互信息方法量化训练样本特征与性能指标的相关性，剔除相关性小于阈值的特征，获取影响性能指标的关键特征，从而得到降维后的训练样本，所述相关性的计算公式为：IX；Y＝∑x∈X∑y∈Ypx,ylogpx,ypxpy式中，X为训练样本特征，Y为性能指标，其均表示变量集合，x，y分别代表变量集合中的个体，px,y表示X和Y同时取值为x和y的概率，px表示X取值为x的概率，py表示Y取值为y的概率，IX；Y表示引入X使Y不确定度减小的量，以此来判断两个变量X与Y是否有关及其关系强弱；S3：数据归一化操作，将所述降维后的训练样本带入归一化公式进行标准化处理，得到归一化后的训练样本，所述归一化公式为： 式中，xij为第j个样本中第i个特征变量真实值，和分别为第i个特征的最大值和最小值；S4：将所述归一化处理后的训练样本输入到广义回归神经网络模型中，所述广义回归神经网络模型分为四层，即输入层、隐藏层、求和层和输出层；S401：输入层的神经元接收输入向量X＝[X1,X2,X3,...,Xn]T，n表示训练样本个数，每个样本有m个特征,Xp＝[Xp1,Xp2,Xp3,...,Xpm]T，p代表第p个样本，1≤p≤n，该层的神经元数量等于单个样本输入向量的特征数量m，即m个性能指标的影响因素，输入层的信息通过神经元传递到隐藏层；S402：隐藏层为径向基层，其神经元数等于训练样本数n，每个神经元与一个期望输出yi、一个实际输出Fiη相对应，采用高斯函数作为激活函数，其计算公式如下： 式中，为欧氏距离，Xi代表神经元i对应的训练向量，i＝1,2,3,...,n，η为光滑因子；S403：在求和层，神经元被划分为两类神经元，第一类只有一个激活函数，无需加权，第二类神经元计算隐藏层神经元的代数和YD以及加权和YNl，yil表示第l个神经元的输出值； S404：在输出层，通过在求和层中两类神经元的输出相除得到性能指标的预测值输出向量输出层的神经元数量与输出向量的维数n相同，所述预测值的计算公式为： S5：进行模型训练和动态改进操作，按照如下步骤采用自适应遗传算法对所述光滑因子η进行优化，通过不断产生新的种群而得到最优值；S501：随机初始化光滑因子η，根据实数编码方式和种群规模，随机生成初始种群Rt，设进化代数t为0；S502：根据所述预测值与实际值Yi之间的误差，构建适应度函数并转换为适应度值fitness，其计算公式为： S503：初始种群采用最优保留策略依据个体适应度值进行选择，选择第k个个体的概率为Pk，fitnessk为第k个个体的适应度值，fitnessm为m个个体的总适应度值，所述最优保留策略的计算公式为： S504：利用自适应机制，经过交叉、突变操作，使得变异概率Pm、交叉概率Pc根据个体适应度值自适应变化，生成新的种群Rt+1，进化代数t＝t+1；S505：当t达到最大进化代数或得到最优适应度值时终止，光滑因子η得到最优值，模型训练和动态改进完成，否则返回S502。

全文数据：

权利要求：

百度查询： 大连理工大学 基于MI-AGA优化广义回归神经网络的半导体晶圆制造系统性能预测方法