CN112487706B - 一种基于集成学习的自动贴装参数智能决策方法 - Google Patents

一种基于集成学习的自动贴装参数智能决策方法 Download PDF

Info

Publication number
CN112487706B
CN112487706B CN202011266548.2A CN202011266548A CN112487706B CN 112487706 B CN112487706 B CN 112487706B CN 202011266548 A CN202011266548 A CN 202011266548A CN 112487706 B CN112487706 B CN 112487706B
Authority
CN
China
Prior art keywords
parameter
parameters
automatic mounting
dispensing
sparse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011266548.2A
Other languages
English (en)
Other versions
CN112487706A (zh
Inventor
杜仲辉
刘德喜
井津域
史磊
康楠
刘洋
景翠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Institute of Telemetry
Aerospace Long March Launch Vehicle Technology Co Ltd
Original Assignee
Beijing Research Institute of Telemetry
Aerospace Long March Launch Vehicle Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Research Institute of Telemetry, Aerospace Long March Launch Vehicle Technology Co Ltd filed Critical Beijing Research Institute of Telemetry
Priority to CN202011266548.2A priority Critical patent/CN112487706B/zh
Publication of CN112487706A publication Critical patent/CN112487706A/zh
Application granted granted Critical
Publication of CN112487706B publication Critical patent/CN112487706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Adhesives Or Adhesive Processes (AREA)

Abstract

本发明提供一种基于集成学习的自动贴装参数智能决策方法，收集自动贴装数据的输入特征、自动贴装过程的参数形成数据集，处理得到输入特征属性向量，采用AdaBoost算法和XgBoost算法对参数进行预测，建立预测模型；采用随机森林对参数进行预测，得到最终预测模型；调用最终预测模型，输入新产品的输入特征属性向量，得到智能预测自动贴装参数。本发明提供一种电子封装领域自动贴片参数智能决策方法，将人工智能领域的机器学习中的集成学习与自动贴片的参数智能决策过程相结合，为自动点胶和贴片的工艺参数生成提供了可行方案，从而解决了稀疏和分散参数的预测问题，克服了单纯依靠工艺试验进行决策的周期长、成本高、经验难积累的缺点。

Description

一种基于集成学习的自动贴装参数智能决策方法
技术领域
本发明涉及半导体器件技术领域，具体涉及一种基于集成学习的自动贴装参数智能决策方法。
背景技术
自动贴装是决定电子封装产品性能及精度的关键工序，而自动贴装的结果是由自动点胶和贴片的多个参数共同决定的。南京理工大学、苏州科技学院和中电38所等均采用工艺试验法分析了芯片尺寸、贴片胶体杨氏模量和热膨胀系数等因素对自动贴装效果的影响。但点胶和贴片参数数量较多，且共同影响最后的贴装效果，依靠经验很难快速选择最优参数。试验法通常需要设计大量工艺试验，根据贴装效果不断调整工艺参数，同一个芯片往往需要迭代多次，参数确认周期长；工艺确认成本高，需要投入大量的工艺验证件和辅料；工程师经验难积累，未建立起芯片固有特征与自动贴装参数之间的关系。利用集成学习技术进行自动贴片工艺参数智能决策是解决上述问题的一种有效途径，但目前没有团队将人工智能引入电子封装的工艺参数决策。
发明内容
本发明是为了解决电子封装未能引入人工智能的问题，提供一种电子封装领域自动贴片参数智能决策方法。该方法将人工智能领域的机器学习中的集成学习与自动贴片的参数智能决策过程相结合，为自动点胶和贴片的工艺参数生成提供了可行方案，从而解决了稀疏和分散参数的预测问题，克服了单纯依靠工艺试验进行决策的周期长、成本高、经验难积累的缺点。
本发明提供一种基于集成学习的自动贴装参数智能决策方法，包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征、自动贴装过程的第一稀疏参数和第二稀疏参数形成数据集，将数据集划分为训练集、验证集和测试集；
S2、建立输入特征属性向量：将输入特征进行预处理得到输入特征属性向量；
S3、建立预测模型：采用集成学习Boosting算法(用来减小监督式学习中偏差的机器学习算法)中的AdaBoost算法(迭代算法)和XgBoost算法(极端梯度提升)对第一稀疏参数进行预测，选择基回归器并设置超参数，使用数据集训练，得到预测模型；
S4、补充预测模型：在预测模型中，采用集成学习Bagging算法(引导聚集算法)中的随机森林对第二稀疏参数进行预测，选择基学习器并设置超参数，使用数据集训练，得到最终预测模型；
S5、生成自动贴装参数：调用最终预测模型，输入新产品的输入特征属性向量，生成预测的第一稀疏参数和第二稀疏参数，得到智能预测自动贴装参数。
本发明所述的一种基于集成学习的自动贴装参数智能决策方法，作为优选方式，步骤S1第一稀疏参数包括：点胶时间参数、点胶速度参数、点胶高度参数、提前出胶参数、贴片提前减速距离参数、贴片后减速距离参数、贴片后延迟速度参数和提前收胶参数；步骤S1和步骤S4中第二稀疏参数包括：点胶气压参数和贴片前延迟速度参数。
本发明所述的一种基于集成学习的自动贴装参数智能决策方法，作为优选方式，步骤S1中数据集的样本总数不少于1000组，训练集、验证集和测试集的比例依次为：70％，20％，10％。
本发明所述的一种基于集成学习的自动贴装参数智能决策方法，作为优选方式，步骤S1中数据集的输入特征包括：数值型特征、序数特征和标称特征。
本发明所述的一种基于集成学习的自动贴装参数智能决策方法，作为优选方式，数值型特征包括芯片长度、芯片宽度、芯片高度和针头内径，序数特征为焊盘洁净度，标称特征为导电胶种类。
本发明所述的一种基于集成学习的自动贴装参数智能决策方法，作为优选方式，步骤S2包括：
S21、定义数值型特征并将数值型特征进行归一化处理，得到数值型特征向量；
S22、将序数特征进行编码，得到序数特征向量；
S23、将标称特征进行One-hot编码，得到标称特征向量；
S24、将数值型特征向量、序数特征向量和标称特征向量组合，得到输入特征属性向量。
本发明所述的一种基于集成学习的自动贴装参数智能决策方法，作为优选方式，步骤S21中归一化处理的公式为：
本发明所述的一种基于集成学习的自动贴装参数智能决策方法，作为优选方式，步骤S3中采用AdaBoost算法进行预测的第一稀疏参数包括：点胶时间参数、点胶速度参数、点胶高度参数、提前出胶参数、贴片提前减速距离参数、贴片后减速距离参数和贴片后延迟速度参数。
本发明所述的一种基于集成学习的自动贴装参数智能决策方法，作为优选方式，步骤S3中采用XgBoos算法进行预测的第一稀疏参数为提前收胶参数。
本发明所述的一种基于集成学习的自动贴装参数智能决策方法，作为优选方式，步骤S3中基回归器和步骤S4中基学习器均为CART。
本发明具有以下优点：
(1)缩短试验周期，节约工艺试验所需物料成本。对于需要自动贴装的产品，不再需要盲目地设置参数进行大量的工艺试验。只需输入待贴装芯片的固有特征属性，即可给出一组预测的自动贴装工艺参数。30种器件工艺参数确认时间从3—7天缩短至1小时，每个芯片的工艺迭代次数由30次缩短为不超过6次。
(2)采用集成学习的方法，弥补了使用单一学习器预测稀疏参数准确率较低的弊端。本发明中分别将基学习器以串行和并行的方式进行集成，并赋予每个基学习器一定的权重，使得最终预测效果远超越单一学习器的效果。
(3)将人工智能机器学习领域的算法用于电子封装领域的自动贴装工艺参数智能决策，建立了从芯片固有特征属性到待预测的点胶和贴片参数的模型。工程师经验以人工智能算法模型的形式保存了下来，工艺数据得到了充分的挖掘和利用。
附图说明
图1为一种基于集成学习的自动贴装参数智能决策方法流程图；
图2为一种基于集成学习的自动贴装参数智能决策方法Boosting算法结构图；
图3为一种基于集成学习的自动贴装参数智能决策方法随机森林算法结构图；
图4为一种基于集成学习的自动贴装参数智能决策方法实施例2-3流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
如图1所示，一种基于集成学习的自动贴装参数智能决策方法，包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征、自动贴装过程的第一稀疏参数和第二稀疏参数形成数据集，将数据集划分为训练集、验证集和测试集；
S2、建立输入特征属性向量：将输入特征进行预处理得到输入特征属性向量；
S3、建立预测模型：如图2-3所示，采用集成学习Boosting算法中的AdaBoost算法和XgBoost算法对第一稀疏参数进行预测，选择基回归器并设置超参数，使用数据集训练，得到预测模型；
S4、补充预测模型：在预测模型中，采用集成学习Bagging算法中的随机森林对第二稀疏参数进行预测，选择基学习器并设置超参数，使用数据集训练，得到最终预测模型；
S5、生成自动贴装参数：调用最终预测模型，输入新产品的输入特征属性向量，生成预测的第一稀疏参数和第二稀疏参数，得到智能预测自动贴装参数。
实施例2
如图1所示，一种基于集成学习的自动贴装参数智能决策方法，包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征、自动贴装过程的第一稀疏参数和第二稀疏参数形成数据集，将数据集划分为训练集、验证集和测试集；第一稀疏参数包括：点胶时间参数、点胶速度参数、点胶高度参数、提前出胶参数、贴片提前减速距离参数、贴片后减速距离参数、贴片后延迟速度参数和提前收胶参数；第二稀疏参数包括：点胶气压参数和贴片前延迟速度参数；数据集的样本总数不少于1000组，训练集、验证集和测试集的比例依次为：70％，20％，10％；数据集的输入特征包括：数值型特征、序数特征和标称特征；
S2、建立输入特征属性向量：如图4所示，将输入特征进行预处理得到输入特征属性向量；数值型特征包括芯片长度、芯片宽度、芯片高度和针头内径，序数特征为焊盘洁净度，标称特征为导电胶种类；
S21、定义数值型特征并将数值型特征进行归一化处理，得到数值型特征向量；
归一化处理的公式为：
S22、将序数特征进行编码，得到序数特征向量；
S23、将标称特征进行One-hot编码，得到标称特征向量；
S24、将数值型特征向量、序数特征向量和标称特征向量组合，得到输入特征属性向量。
S3、建立预测模型：如图2-3所示，采用集成学习Boosting算法中的AdaBoost算法和XgBoost算法对点胶时间参数、点胶速度参数、点胶高度参数、提前出胶参数、贴片提前减速距离参数、贴片后减速距离参数和贴片后延迟速度参数进行预测，选择基回归器并设置超参数，使用数据集训练，得到预测模型；
S4、补充预测模型：在预测模型中，采用集成学习Bagging算法中的随机森林对提前收胶参数进行预测，选择基学习器并设置超参数，使用数据集训练，得到最终预测模型；基学习器为CART(分类和回归树)；
S5、生成自动贴装参数：调用最终预测模型，输入新产品的输入特征属性向量，生成预测的第一稀疏参数和第二稀疏参数，得到智能预测自动贴装参数。
实施例3
如图1所示，针对一组现有的自动贴装工艺参数以及对应的自动贴装效果(根据GJB548B评价标准给出)，数据集样本量为1000，设计一种基于集成学习的自动贴装参数智能决策方法，包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征、自动贴装过程的第一稀疏参数和第二稀疏参数形成数据集，将数据集划分为训练集、验证集和测试集；第一稀疏参数包括：点胶时间参数、点胶速度参数、点胶高度参数、提前出胶参数、贴片提前减速距离参数、贴片后减速距离参数、贴片后延迟速度参数和提前收胶参数；第二稀疏参数包括：点胶气压参数和贴片前延迟速度参数；数据集的样本总数不少于1000组，训练集、验证集和测试集的比例依次为：70％，20％，10％；数据集的输入特征包括：数值型特征、序数特征和标称特征；
S2、建立输入特征属性向量：如图4所示，将输入特征进行预处理得到输入特征属性向量；数值型特征包括芯片长度、芯片宽度、芯片高度和针头内径，序数特征为焊盘洁净度，标称特征为导电胶种类；S21、定义数值型特征并将数值型特征进行归一化处理到区间[0，1]，得到数值型特征向量；
归一化处理的公式为：
S22、将序数特征进行编码，编码分别为{0，1，2}，得到序数特征向量；
S23、将标称特征进行One-hot编码，得到标称特征向量；
S24、将数值型特征向量、序数特征向量和标称特征向量组合，得到输入特征属性向量。
本实施例芯片长度4mm、芯片宽度2.5mm、芯片高度0.3mm和针头内径0.16mm，焊盘洁净度1，本实施例的输入特征属性向量为：[4，2.5，0.3，0.16，1，1，0]T；
S3、建立预测模型：如图2-3所示，采用集成学习Boosting算法中的AdaBoost算法和XgBoost算法对点胶时间参数、点胶速度参数、点胶高度参数、提前出胶参数、贴片提前减速距离参数、贴片后减速距离参数和贴片后延迟速度参数进行预测，选择基回归器并设置超参数，使用数据集训练，得到预测模型；具体的，基回归器为CART(分类和回归树)，回归器数量为100，每棵树的节点划分标准为MSE(均方误差)，最大深度为9；对提前收胶采用XgBoost算法进行预测，默认的基回归器为CART，树的最大深度为6，采样概率为60％，特征选择概率为60％。
S4、补充预测模型：在预测模型中，采用集成学习Bagging算法中的随机森林对提前收胶参数进行预测，选择基学习器并设置超参数，使用数据集训练，得到最终预测模型；具体的，基学习器为CART(分类和回归树)，学习器个数为25，节点可划分的最少样本数为2，叶节点的最少样本数为1，最小纯度衰减率为0；
S5、生成自动贴装参数：调用最终预测模型，输入新产品的输入特征属性向量[4，2.5，0.3，0.16，1，1，0]T，生成预测的第一稀疏参数和第二稀疏参数，得到智能预测自动贴装参数：点胶速度：2.0mm/s，提前收胶：52.85ms，提前出胶：35.0ms，点胶高度：0.06mm，点胶气压：110.4kPa，贴片提前减速距离：1.0mm，贴片前延迟速度：16.42mm/s，贴片后减速距离：1.0mm，贴片后延迟速度：20.0mm/s。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于集成学习的自动贴装参数智能决策方法，其特征在于：包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征、自动贴装过程的第一稀疏参数和第二稀疏参数形成数据集，将所述数据集划分为训练集、验证集和测试集；
所述第一稀疏参数包括：点胶时间参数、点胶速度参数、点胶高度参数、提前出胶参数、贴片提前减速距离参数、贴片后减速距离参数、贴片后延迟速度参数和提前收胶参数；
所述第二稀疏参数包括：点胶气压参数和贴片前延迟速度参数；
所述输入特征包括：数值型特征、序数特征和标称特征；
所述数值型特征包括芯片长度、芯片宽度、芯片高度和针头内径，所述序数特征为焊盘洁净度，所述标称特征为导电胶种类；
S2、建立输入特征属性向量：将所述输入特征进行预处理得到输入特征属性向量；
S3、建立预测模型：采用集成学习Boosting算法中的AdaBoost算法和XgBoost算法对所述第一稀疏参数进行预测，选择基回归器并设置超参数，使用所述数据集训练，得到预测模型；
S4、补充预测模型：在所述预测模型中，采用集成学习Bagging算法中的随机森林对所述第二稀疏参数进行预测，选择基学习器并设置所述超参数，使用所述数据集训练，得到最终预测模型；
S5、生成自动贴装参数：调用所述最终预测模型，输入新产品的所述输入特征属性向量，生成预测的所述第一稀疏参数和所述第二稀疏参数，得到智能预测自动贴装参数。
2.根据权利要求1所述的一种基于集成学习的自动贴装参数智能决策方法，其特征在于：步骤S1中所述数据集的样本总数不少于1000组，所述训练集、所述验证集和所述测试集的比例依次为：70%，20%，10%。
3.根据权利要求1所述的一种基于集成学习的自动贴装参数智能决策方法，其特征在于：步骤S2包括：
S21、定义所述数值型特征并将所述数值型特征进行归一化处理，得到数值型特征向量；
S22、将所述序数特征进行编码，得到序数特征向量；
S23、将所述标称特征进行One-hot编码，得到标称特征向量；
S24、将所述数值型特征向量、所述序数特征向量和所述标称特征向量组合，得到所述输入特征属性向量。
4.根据权利要求3所述的一种基于集成学习的自动贴装参数智能决策方法，其特征在于：步骤S21中所述归一化处理的公式为：
。
5.根据权利要求1所述的一种基于集成学习的自动贴装参数智能决策方法，其特征在于：步骤S3中采用AdaBoost算法进行预测的所述第一稀疏参数包括：点胶时间参数、点胶速度参数、点胶高度参数、提前出胶参数、贴片提前减速距离参数、贴片后减速距离参数和贴片后延迟速度参数。
6.根据权利要求1所述的一种基于集成学习的自动贴装参数智能决策方法，其特征在于：步骤S3中采用XgBoos算法进行预测的所述第一稀疏参数为提前收胶参数。
7.根据权利要求1所述的一种基于集成学习的自动贴装参数智能决策方法，其特征在于：步骤S3中所述基回归器和步骤S4中所述基学习器均为CART。
CN202011266548.2A 2020-11-13 2020-11-13 一种基于集成学习的自动贴装参数智能决策方法 Active CN112487706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011266548.2A CN112487706B (zh) 2020-11-13 2020-11-13 一种基于集成学习的自动贴装参数智能决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011266548.2A CN112487706B (zh) 2020-11-13 2020-11-13 一种基于集成学习的自动贴装参数智能决策方法

Publications (2)

Publication Number Publication Date
CN112487706A CN112487706A (zh) 2021-03-12
CN112487706B true CN112487706B (zh) 2023-10-17

Family

ID=74930255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011266548.2A Active CN112487706B (zh) 2020-11-13 2020-11-13 一种基于集成学习的自动贴装参数智能决策方法

Country Status (1)

Country Link
CN (1) CN112487706B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065510A (zh) * 2021-11-15 2022-02-18 国能国华(北京)燃气热电有限公司 冷却塔风机的故障预警方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07175894A (ja) * 1993-11-05 1995-07-14 Toshiba Corp ニューラルネットワークと文字認識方法と電子部品実装検査装置及びそれを用いた管理方法
EP0744699A1 (en) * 1995-05-22 1996-11-27 Eastman Kodak Company Neural network solder paste inspection system
JP2004165522A (ja) * 2002-11-14 2004-06-10 Yamagata Casio Co Ltd 電子部品搭載装置におけるショートカット操作方法
CN108672218A (zh) * 2018-07-27 2018-10-19 珠海市运泰利自动化设备有限公司 一种集成测试的智能点胶系统及其点胶方法
CN109657718A (zh) * 2018-12-19 2019-04-19 广东省智能机器人研究院 一种数据驱动的smt生产线上spi缺陷类别智能识别方法
EP3474650A1 (de) * 2017-10-19 2019-04-24 Sick Ag Verfahren zur erstellung eines rüstsatzes für eine bestückungsmaschine
CN110598761A (zh) * 2019-08-26 2019-12-20 深圳大学 一种点胶检测方法、装置及计算机可读存储介质
CN110636715A (zh) * 2019-08-27 2019-12-31 杭州电子科技大学 一种基于自学习的自动焊接及缺陷检测方法
KR20200052421A (ko) * 2018-10-25 2020-05-15 한국외국어대학교 연구산학협력단 딥러닝 기반 표면 실장 부품 조립 장치의 동작 이상 검출 장치 및 방법
CN111359912A (zh) * 2020-04-08 2020-07-03 苏州正德行智能物联有限公司 一种基于机器视觉的smt生产线智能化检测系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101996489B1 (ko) * 2017-12-28 2019-07-04 한국외국어대학교 연구산학협력단 자동화 생산 라인의 작업 오류 검출 장치
KR102129459B1 (ko) * 2018-07-25 2020-07-02 충북대학교 산학협력단 전자부품 불량 분류 방법 및 장치

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07175894A (ja) * 1993-11-05 1995-07-14 Toshiba Corp ニューラルネットワークと文字認識方法と電子部品実装検査装置及びそれを用いた管理方法
EP0744699A1 (en) * 1995-05-22 1996-11-27 Eastman Kodak Company Neural network solder paste inspection system
JP2004165522A (ja) * 2002-11-14 2004-06-10 Yamagata Casio Co Ltd 電子部品搭載装置におけるショートカット操作方法
EP3474650A1 (de) * 2017-10-19 2019-04-24 Sick Ag Verfahren zur erstellung eines rüstsatzes für eine bestückungsmaschine
CN108672218A (zh) * 2018-07-27 2018-10-19 珠海市运泰利自动化设备有限公司 一种集成测试的智能点胶系统及其点胶方法
KR20200052421A (ko) * 2018-10-25 2020-05-15 한국외국어대학교 연구산학협력단 딥러닝 기반 표면 실장 부품 조립 장치의 동작 이상 검출 장치 및 방법
CN109657718A (zh) * 2018-12-19 2019-04-19 广东省智能机器人研究院 一种数据驱动的smt生产线上spi缺陷类别智能识别方法
CN110598761A (zh) * 2019-08-26 2019-12-20 深圳大学 一种点胶检测方法、装置及计算机可读存储介质
CN110636715A (zh) * 2019-08-27 2019-12-31 杭州电子科技大学 一种基于自学习的自动焊接及缺陷检测方法
CN111359912A (zh) * 2020-04-08 2020-07-03 苏州正德行智能物联有限公司 一种基于机器视觉的smt生产线智能化检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于XGBoost和LSTM模型的化工产品质量预测研究;杨正森;中国优秀硕士学位论文全文数据库工程科技Ⅰ辑;第1-43页 *

Also Published As

Publication number Publication date
CN112487706A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN104050242A (zh) 基于最大信息系数的特征选择、分类方法及其装置
US8090538B2 (en) System and method for interpretation of well data
CN112487706B (zh) 一种基于集成学习的自动贴装参数智能决策方法
CN101231672A (zh) 基于改进型bp神经网络的模拟电路软故障诊断方法
CN114358427B (zh) 一种预测页岩气井最终可采储量的方法
CN112465040A (zh) 一种基于类不平衡学习算法的软件缺陷预测方法
CN112085157B (zh) 基于神经网络和树模型的疾病预测方法及其装置
CN113191399B (zh) 一种基于机器学习分类器提高半导体芯片良品率的方法
CN113871009A (zh) 一种重症监护病房中脓毒症预测系统、存储介质及设备
CN114912342B (zh) 一种基于多质量参数的封装引线键合工艺参数优化方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN101620566A (zh) 一种动态随机测试方法
CN107842359B (zh) 单井可采储量评价方法及装置
Lugaresi et al. Generation and tuning of discrete event simulation models for manufacturing applications
WO2020253038A1 (zh) 一种模型构建方法及装置
CN105471647A (zh) 一种电力通信网故障定位方法
CN111353377A (zh) 一种基于深度学习的电梯乘客数检测方法
CN115222065A (zh) 一种基于Stacking集成学习的井口压力在线多步预测方法
CN104021002B (zh) 一种pdm系统标准件存储方法
Pradeep et al. Optimal Predictive Maintenance Technique for Manufacturing Semiconductors using Machine Learning
Park et al. Data mining approaches for packaging yield prediction in the post-fabrication process
CN116894205A (zh) 一种基于fcbf#-pso-rf模型的晶圆良率分类预测方法
CN110489790B (zh) 基于改进abc-svr的igbt结温预测方法
CN115728622A (zh) 芯片的修调测试方法、控制装置、存储介质及修调测试机
CN106648714A (zh) 应用程序卸载信息的分析方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant