公开(公告)号：CN116756662A

公开(公告)日：2023-09-15

申请号：CN202310755878.5

申请日：2023-06-25

Applicant: 浙江大学

Inventor： 陈一宁 ,  王诗琪 ,  蔡宇 ,  高大为

IPC: G06F18/243 ,  G06N3/006 ,  G06F18/15 ,  G06Q50/04

Abstract: 本发明公开了一种基于哈里斯鹰算法优化随机森林的良率预测方法及系统，方法包括：获取历史晶圆允收测试数据集；对历史晶圆允收测试数据集中的允收测试数据进行预处理，得到允收测试样本集；通过哈里斯鹰算法迭代优化随机森林模型的关键框架参数并基于关键框架参数对随机森林模型进行修改，构建晶圆良率预测预训练模型；基于允收测试样本集对晶圆良率测试预训练模型进行训练，得到晶圆良率预测模型；将待测允收测试数据输入晶圆良率预测模型中，得到预测结果。本发明能够降低良率预测成本，提高良率预测准确性。

公开(公告)号：CN116894205A

公开(公告)日：2023-10-17

申请号：CN202310884129.2

申请日：2023-07-18

Applicant: 浙江大学

Inventor： 陈一宁 ,  王诗琪 ,  蔡宇 ,  高大为

IPC: G06F18/24 ,  G06F18/214 ,  G06F18/211 ,  G06N3/006

Abstract: 本发明涉及一种基于FCBF#‑PSO‑RF模型的晶圆良率分类预测方法，所述方法对WAT数据集中的样本数据进行预处理；采用FCBF#算法对预处理后的数据集进行特征选择；使用RF模型进行预训练，结合PSO群体优化算法对RF模型进行参数优化；将测试集输入预训练优化好的RF模型，输出晶圆良率分类结果。通过该方法，可以提高模型对晶圆良率的分类准确度和泛化能力，同时提高数据集的质量，减少程序运行时间。

公开(公告)号：CN117574274A

公开(公告)日：2024-02-20

申请号：CN202311517544.0

申请日：2023-11-14

Applicant: 浙江大学

Inventor： 陈一宁 ,  王诗琪 ,  高大为

IPC: G06F18/243 ,  G06F18/2113 ,  G06N3/006 ,  G06F16/2458 ,  G06N20/20

Abstract: 本发明涉及混合特征筛选和超参数优化的PSO‑XGBoost系统构建方法，包括：对数据集进行预览和预处理；采用Pearson相关系数分析预处理后的数据集中特征之间的相关性，删除原始数据集中线性相关性大于预设阈值的特征，得到特征子集；将特征子集划分为训练集和测试集；基于PSO算法对训练集进行特征选择和XGBoost模型的超参数混合优化，输出最优特征子集和XGBoost模型的最优超参数组合；基于最优特征子集和XGBoost模型的最优超参数组合构建PSO‑XGBoost系统；基于测试集对PSO‑XGBoost系统进行测试，输出预测结果，在预测结果满足预设条件的情况下，完成PSO‑XGBoost系统的构建。其有益效果是，实现了机器学习算法处理大数据时进行特征筛选以实现数据降维和模型超参数优化这两个关键问题的并行化处理。

公开(公告)号：CN117574274B

公开(公告)日：2025-03-25

申请号：CN202311517544.0

申请日：2023-11-14

Applicant: 浙江大学

Inventor： 陈一宁 ,  王诗琪 ,  高大为

IPC: G06F18/243 ,  G06F18/2113 ,  G06N3/006 ,  G06F16/2458 ,  G06N20/20

Abstract: 本发明涉及混合特征筛选和超参数优化的PSO‑XGBoost系统构建方法，包括：对数据集进行预览和预处理；采用Pearson相关系数分析预处理后的数据集中特征之间的相关性，删除原始数据集中线性相关性大于预设阈值的特征，得到特征子集；将特征子集划分为训练集和测试集；基于PSO算法对训练集进行特征选择和XGBoost模型的超参数混合优化，输出最优特征子集和XGBoost模型的最优超参数组合；基于最优特征子集和XGBoost模型的最优超参数组合构建PSO‑XGBoost系统；基于测试集对PSO‑XGBoost系统进行测试，输出预测结果，在预测结果满足预设条件的情况下，完成PSO‑XGBoost系统的构建。其有益效果是，实现了机器学习算法处理大数据时进行特征筛选以实现数据降维和模型超参数优化这两个关键问题的并行化处理。