黄涛
- 作品数：2 被引量：11H指数：1
- 供职机构：上海师范大学更多>>
- 发文基金：国家自然科学基金国家留学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于优化插值与差值神经网络算法的硅片刻蚀深度预测模型被引量：1
- 2021年
- 针对半导体加工工艺复杂、成本高、工艺数据量少,一般的人工神经网络(ANN)算法无法准确预测其加工工艺性能的问题,提出一种基于优化插值与差值神经网络(OIDNN)算法的适用于小样本的硅片刻蚀深度预测模型。首先,分别由实验得到刻蚀深度的实验数据,由计算机辅助设计(TCAD)技术仿真得到刻蚀深度的模拟数据,并划分为训练集、验证集和预测集;将TCAD模拟数据作为额外输入参数插入ANN1模型,同时,将实验数据与TCAD模拟数据的差值作为ANN2模型的输出参数,得到两份预测结果;最后将两份预测结果作为输入参数,经ANN3模型训练选择权重,得到最终预测结果。OIDNN算法在不同大小的样本数量下,所得预测刻蚀深度和实验刻蚀深度之间平均的均方误差(MSE)为0.009 5μm,相较于ANN减小80%以上,相较于自适应权值神经网络(AWNN)减小85%以上。实验结果表明,所提模型可以有效提高预测的准确度,提高算法的收敛速度,并且适用于小样本的工程应用场景。
- 黄涛黄涛杨晔
- 关键词：小样本神经网络计算机辅助设计
- 基于Stacking多模型融合的IGBT器件寿命的机器学习预测算法研究被引量：10
- 2022年
- 绝缘栅双极型晶体管(IGBT)器件是一种被广泛应用于工业、通信、计算机、汽车电子等领域的核心技术部件,提高该器件的使用安全性至关重要。近年来,采用机器学习对IGBT器件的寿命进行预测已成为热点的研究问题。然而,普通的神经网络预测仍存在着训练时间长和准确率较低的问题。针对该问题,提出了一种基于Stacking多模型融合的机器学习模型来实现对IGBT的寿命预测,该模型有效地提高了预测的准确率和效率。该算法包含双层结构,融合了4种互补的机器学习算法模型。其中,第一层使用了轻度梯度提升树模型(LGBM)、极端梯度提升树模型(XGBoost)和岭回归模型(Ridge)进行预测,再将预测结果输入第二层进行训练;第二层使用了线性回归模型,经过双层模型训练预测出最终的IGBT寿命。通过实验数据的对比证实,相比常用的长短期记忆神经网络(LSTM)算法模型,基于Stacking多模型融合的机器学习模型对IGBT寿命预测的均方误差平均降低了93%,且模型训练的平均耗时仅为LSTM网络算法模型的13%。
- 王飞王飞黄涛
- 关键词：IGBT器件
