CN115660109B - 一种机器学习模型的训练数据集均匀化处理方法 - Google Patents
一种机器学习模型的训练数据集均匀化处理方法 Download PDFInfo
- Publication number
- CN115660109B CN115660109B CN202211653150.3A CN202211653150A CN115660109B CN 115660109 B CN115660109 B CN 115660109B CN 202211653150 A CN202211653150 A CN 202211653150A CN 115660109 B CN115660109 B CN 115660109B
- Authority
- CN
- China
- Prior art keywords
- target
- semiconductor device
- data set
- machine learning
- target structure
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000000265 homogenisation Methods 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000004065 semiconductor Substances 0.000 claims description 67
- 238000010606 normalization Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 229910052710 silicon Inorganic materials 0.000 claims description 6
- 239000010703 silicon Substances 0.000 claims description 6
- 230000005669 field effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000002203 pretreatment Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 3
- 230000015556 catabolic process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- INQLNSVYIFCUML-QZTLEVGFSA-N [[(2r,3s,4r,5r)-5-(6-aminopurin-9-yl)-3,4-dihydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl] [(2r,3s,4r,5r)-5-(4-carbamoyl-1,3-thiazol-2-yl)-3,4-dihydroxyoxolan-2-yl]methyl hydrogen phosphate Chemical compound NC(=O)C1=CSC([C@H]2[C@@H]([C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OC[C@@H]3[C@H]([C@@H](O)[C@@H](O3)N3C4=NC=NC(N)=C4N=C3)O)O2)O)=N1 INQLNSVYIFCUML-QZTLEVGFSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Landscapes
- Insulated Gate Type Field-Effect Transistor (AREA)
Abstract
本发明公开了一种机器学习模型的训练数据集均匀化处理方法,包括如下步骤:1、确定器件的数据集输入目标结构参数的变化范围;步骤2、根据数据的变化范围,进行数据预处理;步骤3、对预处理后的数据进行均匀化取值;步骤4、对数据集输入目标结构参数进行反预处理;步骤5、根据反预处理后的数据,进行训练数据集的收集;步骤6、建立机器学习模型。本发明通过训练数据集的均匀化处理技术,避免了模型训练过程中潜在的欠拟合和过拟合问题,可优化机器学习模型的应用能力,且该方案构建的模型具有泛化能力强,对随机器件目标结构参数的电学性能预测准确率高等优点。
Description
技术领域
本发明属于半导体器件电学性能预测领域,尤其涉及一种机器学习模型的训练数据集均匀化处理方法。
背景技术
随着技术的进步,半导体器件也在不断演进。其中,半导体器件的电学特性的获取是器件目标结构参数设计的重要依据。目前,半导体器件电学特性的仿真依赖于计算机辅助设计工具(Technology Computer Aided Design,简称TCAD),但其存在收敛性差、仿真时间长等问题。近年来,由于数据的爆发,计算机算力的增强以及算法能力的完善,机器学习算法被应用于各个领域。对半导体器件电学性能建模而言,以机器学习算法进行半导体器件关键性能(如击穿电压、关态曲线等)预测已得到了广泛的关注与研究。机器学习算法构建的机器学习模型不仅可直接简单快速地给出器件的电学性能,而且不存在收敛性问题。然而,对于机器学习模型构建的一个重要前提,最初始也是最为重要的步骤便是数据集的收集以及数据集的处理。传统的数据集收集过程大都采用随机数据集,然而,还存在如下不足,有待进行改进:
1、对于结构复杂的器件,影响器件电学性能的目标结构参数过多,随机数据集不能很好的表征器件在总的目标结构参数范围内的电学性能,泛化性有待提高。
2、对于半导体功率器件,由于器件目标结构参数的变化,其击穿特性会产生突变,随机数据集会较难表征出击穿特性跳变过程。
因此,迫切需要一种快速简单且能够准确表征半导体器件特性的数据处理技术。
发明内容
发明目的:本发明的目的在于提供一种机器学习模型的训练数据集均匀化处理方法,有利于建立准确而高效的基于机器学习的半导体器件电学性能预测模型。
技术方案:本发明的机器学习模型的训练数据集均匀化处理方法,应用于目标半导体器件的电学性能预测,包括如下步骤:
步骤1、根据目标半导体器件的类型,确定目标半导体器件对电学性能有影响的目标结构参数,并确定各个目标结构参数对应的常规取值范围;
步骤2、针对各个目标结构参数对应的常规取值范围进行预处理;
步骤3、分别针对各个目标结构参数,对目标结构参数预处理后的数据进行均匀化取值,得到目标半导体器件对应该目标结构参数的各取值,进而获得目标半导体器件分别对应各个目标结构参数的各取值;
步骤4、分别针对各个目标结构参数,对目标结构参数所对应的各取值进行步骤2中预处理的反向处理,获得各个目标结构参数分别对应的均匀化取值范围;
步骤5、基于各个目标结构参数分别对应的均匀化取值范围,从中筛选出目标结构参数到半导体器件电学性能的数据集;
步骤6、根据步骤5获取的数据集,建立机器学习回归模型;根据目标半导体器件的结构参数,通过机器学习回归模型预测目标半导体器件的电学性能,根据预测误差大小体现机器学习回归模型的好坏。
进一步的,步骤1中,所述目标半导体器件的类型包括场效应晶体管、IGBT、高迁移率晶体管和纳米器件。
进一步的,当目标半导体器件的类型为场效应晶体管时,对其电学性能有影响的目标结构参数包括漂移区掺杂浓度、顶层硅厚度、绝缘层厚度。
进一步的,步骤2中,所述预处理的方法为归一化或标准化。
进一步的,对于归一化,公式为:
其中,为目标结构参数对应的常规取值范围,和是根据目标半导体器件目标结构参数定义的最小和最大边界值,
X scale是经上述归一化处理后的数据,且其归一化后目标半导体器件目标结构参数取值限定在(0,1)内。
进一步的,步骤3包括如下步骤:
步骤31、若区域数据空白,从0.1开始,以s为步径,对目标半导体器件各目标结构参数取值为:0.1、0.1+s,0.1+2s,..,直至0.1+ns>1停止取值,n为阶梯数;将目标半导体器件对应该目标结构参数的各取值进行完全交叉排列组合;
步骤32、若区域数据已知,以δ为阈值,对目标半导体器件各目标结构参数取值范围设计为:0±δ,0.1±δ,0.3±δ,..,直至0.9±δ>1停止取值;根据已知的数据,在设计的取值范围内进行数据的收集。
进一步的,步骤4中,当反向处理为反归一化处理时,公式为:
为目标结构参数对应的实际取值范围,和是根据目标半导体器件目标结构参数定义的最小和最大边界值,
X scale是经过数据预处理后的目标结构参数,反归一化后得到了数据集中目标半导体器件目标结构参数的实际取值。
进一步的,步骤5中,从均匀化取值范围中筛选出目标结构参数到半导体器件电学性能的数据集,若数据集已知,直接进行筛选获取;若数据集未知,则通过仿真工具或者实验制备的方式进行数据集获取。
进一步的,步骤6中,机器学习回归模型的建立方法包括深度神经网络、高斯过程回归、支持向量机、线性回归、逻辑回归、Lasso回归和CART回归树中的一种或组合。
有益效果:与现有技术相比,本发明具有如下显著优点:
1、本发明的机器学习模型的训练数据集均匀化处理技术,避免了模型潜在的欠拟合和过拟合问题,可优化机器学习模型的应用能力,训练出的模型泛化性好,能够准确表征器件在整个器件目标结构参数范围内的电学性能,包括一些器件电学性能的突变点,有利于建立准确而高效的基于机器学习的半导体器件电学性能预测模型。
2、本发明的方法生成的数据集训练出的模型泛化性能优越,能提高未知的半导体器件目标结构参数的电学性能预测精准度。
附图说明
图1为本发明基于机器学习的半导体器件电学特性仿真中的训练数据集均匀化处理技术流程图;
图2为本发明实施例中带场板的SOI-LDMOS结构示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,一种基于机器学习的半导体器件电学特性仿真中的训练数据集均匀化处理方法,包括如下步骤。
步骤1、确定器件的数据集输入参数的变化范围:根据半导体器件的类型,确定对于半导体器件电学性能有影响的目标结构参数,并划定其取值范围。
本发明以场效应晶体管,即带场板的SOI-LDMOS为例(结构如图2所示),进行详细说明。
半导体器件为带场板的SOI-LDMOS,对其电学性能有影响的目标结构参数包括漂移区掺杂浓度、顶层硅厚度、绝缘层厚度。
确定半导体器件目标结构参数的变化范围,以带场板的SOI-LDMOS目标结构参数为例,如表1:
表1 带场板的SOI-LDMOS目标结构参数以及变化范围
步骤2、根据数据的变化范围,进行数据预处理:预处理方法可为归一化、标准化。
本实施例中,对带场板的SOI-LDMOS的漂移区掺杂浓度、顶层硅厚度、绝缘层厚度取值进行改变,其余保持不变。采用归一化的方法对带场板的SOI-LDMOS的漂移区掺杂浓度、顶层硅厚度、绝缘层厚度进行预处理。
步骤3、对预处理后的数据进行均匀化取值:器件目标结构参数预处理后取值范围将在0~1内,从0.1开始,以步长为s的形式,对器件各目标结构参数进行递增取值,并交叉组合。
本实施例步骤3中,所属区域数据空白,故s取值为0.1。
步骤31、从0.1开始,以s为步径,对半导体器件各目标结构参数取值为:0.1、0.1+s,0.1+2s,..,直至0.1+ns>1停止取值;
以带场板的SOI-LDMOS中的三个目标结构参数为例,如表2:
表2 带场板的SOI-LDMOS递增取值
本实施例中,针对带场板的SOI-LDMOS器件,一共改变了其中三个目标结构参数的取值,每个目标结构参数有10个不同的取值,将半导体器件的各目标结构参数取值进行完全交叉排列组合,完全交叉组合后可以得到共1000组数据。
步骤4、对数据集输入参数进行反预处理:根据步骤3获取的器件目标结构参数取值以及步骤2中的预处理方法,对其进行反预处理。
本实施例中,对带场板的SOI-LDMOS的漂移区掺杂浓度
N d,顶层硅厚度
t ox ,绝缘层厚度
t s的各取值反归一化后,得到器件实际目标结构参数取值如下表3所示:
表3 带场板的SOI-LDMOS目标结构参数实际值
步骤5、根据反预处理后的数据,进行训练数据集的收集:根据步骤4获取的器件目标结构参数,通过仿真或实验的方法,获取从目标结构参数到半导体器件电学性能的数据集。
本实施例中,针对带场板的SOI-LDMOS器件,利用TCAD仿真软件,仿真出器件的击穿电压特性,提取出器件的击穿电压,将每个半导体器件的目标结构参数与获取的器件击穿电压一一对应,形成带场板的SOI-LDMOS的目标结构参数到击穿电压的数据集。
步骤6、建立机器学习回归模型:根据步骤5获取的数据集,建立机器学习回归模型;机器学习模型能根据半导体器件的目标结构参数对半导体器件的电学性能进行仿真。
上述机器学习回归模型的建立方法优选为深度神经网络、高斯过程回归、支持向量机、线性回归、逻辑回归、Lasso回归和CART回归树等中的一种或组合。
本实施例中,以带场板的SOI-LDMOS为例,则机器学习回归模型建立的具体方法,优选包括如下步骤。
步骤61、数据集分类:将步骤3所获取的数据集按照设定比例(如7:3)分为训练集、与测试集;其中,训练集用于训练机器学习模型;测试集用于测试机器学习模型。
步骤62、数据处理:将训练集与测试集中的数据均进行标准化或归一化处理。本实施例中,优选采用归一化处理。
步骤63、建立机器学习模型:选择并建立机器学习回归模型,具体为:
A、将机器学习模型优选选择为深度神经网络。
B、设置模型参数:机器学习回归模型的输出参数为半导体器件的击穿电压;机器学习回归模型的输入参数为半导体器件的目标结构参数。
C、模型设置,具体为:设置神经网络的隐藏层数,神经元个数,激活函数采用线性整流函数,选择Adam算法作为神经网络参数值的优化算法,设置损失函数代表实际模型参数与预测模型参数之间的差距。
步骤64、模型训练:采用步骤62中训练集中的数据对步骤63建立的机器学习回归模型,进行训练,得到机器学习回归模型的权重值。
步骤65、模型测试:采用步骤62中测试集中的数据,对步骤64完成训练后的机器学习回归模型进行测试。
本实施例中,针对带场板的SOI-LDMOS,以给定两组不同的训练数据集为例,其中第一组为采用本文上述的训练数据集均匀化处理技术所获得的数据集,第二组数据集取值范围与第一组相同,但是其为非均匀化的数据集。表4给出了第二组数据集归一化后各参数的取值,之后也对其目标结构参数进行了完全交叉组合以及反归一化,同样得到了1000组数据。将两组数据输入相同的机器学习模型中训练出基于机器学习的半导体器件仿真模型。随后,通过仿真的方法,获取了700组器件目标结构参数随机分布的数据,观察上述两个模型在该数据集上表现。
表4 带场板的SOI-LDMOS非均匀取值
表5给出了均匀化和非均匀化数据训练模型的误差对比。将700组器件目标结构参数随机分布的数据代入到两组仿真模型进行预测,依旧采用平均绝对百分误差MAPE进行评估。两个模型的平均绝对百分误差分别为1.552694%与11.120260%,相差9.567566%。可见,均匀化的数据处理方案有效提高了预测精度。
表5 均匀化和非均匀化数据训练模型的误差对比
本实施例步骤3中,若区域数据已知,以已有的2305组数据为例, 其步骤如下:
步骤32、以δ为阈值,取半导体器件各目标结构参数取值范围位于:0.1±δ,0.3±δ, 0.5±δ, 0.7±δ,0.9±δ内,其中0<δ<0.1;
本实施例中,δ取值为0.05, 以带场板的SOI-LDMOS为例,以
N d均匀化为例进行分析,将其归一化后漂移区浓度范围在0.05~0.15,0.25~0.35,0.45~0.55,0.65~0.75,0.85~0.95的数据筛选出来。
重复上述实施例中步骤4-6进行机器学习模型构建。
本实施例中,针对带场板的SOI-LDMOS,以给定两组不同的训练数据集为例,其中第一组为采用本文上述的区域数据已知情况下获取的均匀化数据集,第二组全体数据集,且其为非均匀化的数据集。经过筛选后,已知数据为1196组。表6给出了两组模型在同一情况下的测试结果。结果表明,基于均匀化数据构建的模型误测误差提高了4%。
表6 均匀化和非均匀化数据训练模型的误差对比
综上,本发明的基于机器学习的半导体器件电学特性仿真方法中的数据处理技术,对于带场板的SOI-LDMOS结构,能够快速确定用于机器学习模型训练的数据集,避免了模型训练过程中的欠拟合和过拟合问题,可优化回归模型的构建能力,且该方案构建的模型具有泛化能力强,对随机器件目标结构参数的电学性能预测准确率高等优点。
以上所述仅为本发明的实施方式,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。如对于其他类型功率半导体器件,如高迁移率晶体管、IGBT或纳米器件,其机器学习模型构建过程均与本方案相似,故都可采用本方案的训练数据集均匀化处理技术。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等,均应包括在本发明的权利要求范围之内。
Claims (6)
1.一种种机器学习模型的训练数据集均匀化处理方法,应用于目标半导体器件的电学性能预测,其特征在于,包括如下步骤:
步骤1、根据目标半导体器件的类型,确定目标半导体器件对电学性能有影响的目标结构参数,并确定各个目标结构参数对应的常规取值范围;
步骤2、针对各个目标结构参数对应的常规取值范围进行预处理;
步骤3、分别针对各个目标结构参数,对目标结构参数预处理后的数据进行均匀化取值,得到目标半导体器件对应该目标结构参数的各取值,进而获得目标半导体器件分别对应各个目标结构参数的各取值;
步骤4、分别针对各个目标结构参数,对目标结构参数所对应的各取值进行步骤2中预处理的反向处理,获得各个目标结构参数分别对应的均匀化取值范围;
步骤5、基于各个目标结构参数分别对应的均匀化取值范围,从中筛选出目标结构参数到半导体器件电学性能的数据集;
步骤6、根据步骤5获取的数据集,建立机器学习回归模型;根据目标半导体器件的结构参数,通过机器学习回归模型预测目标半导体器件的电学性能,根据预测误差大小体现机器学习回归模型的好坏;
所述步骤2中,所述预处理的方法为归一化或标准化;
对于归一化,公式为:
其中,为目标结构参数对应的常规取值范围,和是根据目标半导体器件目标结构参数定义的最小和最大边界值,X scale是经上述归一化处理后的数据,且其归一化后目标半导体器件目标结构参数取值限定在(0,1)内;
所述步骤3包括如下步骤:
步骤31、若区域数据空白,从0.1开始,以s为步径,对目标半导体器件各目标结构参数取值为:0.1、0.1+s,0.1+2s,..,直至0.1+ns>1停止取值,n为阶梯数;将目标半导体器件对应该目标结构参数的各取值进行完全交叉排列组合;
步骤32、若区域数据已知,以δ为阈值,对目标半导体器件各目标结构参数取值范围设计为:0±δ,0.1±δ,0.3±δ,..,直至0.9±δ>1停止取值;根据已知的数据,在设计的取值范围内进行数据的收集。
2.根据权利要求1所述的机器学习模型的训练数据集均匀化处理方法,其特征在于,步骤1中,所述目标半导体器件的类型包括场效应晶体管、IGBT、高迁移率晶体管和纳米器件。
3.根据权利要求2所述的机器学习模型的训练数据集均匀化处理方法,其特征在于,当目标半导体器件的类型为场效应晶体管时,对其电学性能有影响的目标结构参数包括漂移区掺杂浓度、顶层硅厚度、绝缘层厚度。
4.根据权利要求1所述的机器学习模型的训练数据集均匀化处理方法,其特征在于,步骤4中,当反向处理为反归一化处理时,公式为:
;为目标结构参数对应的实际取值范围,和是根据目标半导体器件目标结构参数定义的最小和最大边界值,X scale是经过数据预处理后的目标结构参数,反归一化后得到了数据集中目标半导体器件目标结构参数的实际取值。
5.根据权利要求1所述的机器学习模型的训练数据集均匀化处理方法,其特征在于,步骤5中,从均匀化取值范围中筛选出目标结构参数到半导体器件电学性能的数据集,若数据集已知,直接进行筛选获取;若数据集未知,则通过仿真工具或者实验制备的方式进行数据集获取。
6.根据权利要求1所述的机器学习模型的训练数据集均匀化处理方法,其特征在于,步骤6中,机器学习回归模型的建立方法包括深度神经网络、高斯过程回归、支持向量机、线性回归、逻辑回归、Lasso回归和CART回归树中的一种或组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211653150.3A CN115660109B (zh) | 2022-12-22 | 2022-12-22 | 一种机器学习模型的训练数据集均匀化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211653150.3A CN115660109B (zh) | 2022-12-22 | 2022-12-22 | 一种机器学习模型的训练数据集均匀化处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115660109A CN115660109A (zh) | 2023-01-31 |
CN115660109B true CN115660109B (zh) | 2023-05-02 |
Family
ID=85023529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211653150.3A Active CN115660109B (zh) | 2022-12-22 | 2022-12-22 | 一种机器学习模型的训练数据集均匀化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660109B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997092A (zh) * | 2022-06-16 | 2022-09-02 | 南京邮电大学 | 基于机器学习和模型的半导体器件电学特性仿真方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568312B2 (en) * | 2019-12-03 | 2023-01-31 | Upstart Network, Inc. | Augmenting machine learning models to incorporate incomplete datasets |
CN115099126A (zh) * | 2022-05-24 | 2022-09-23 | 南京邮电大学 | 一种基于机器学习的半导体器件性能相关特征结构参数自动筛选方法 |
-
2022
- 2022-12-22 CN CN202211653150.3A patent/CN115660109B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997092A (zh) * | 2022-06-16 | 2022-09-02 | 南京邮电大学 | 基于机器学习和模型的半导体器件电学特性仿真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115660109A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN109255159B (zh) | 一种基于机器学习的电路路径延时波动预测方法 | |
CN103678941B (zh) | 电极空气间隙击穿电压的预测方法 | |
US20220036231A1 (en) | Method and device for processing quantum data | |
CN106485353A (zh) | 空气污染物浓度预报方法及系统 | |
CN113962314A (zh) | 一种基于联邦学习的非侵入式企业负荷分解方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN109901058B (zh) | 一种半导体器件的分析方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
CN107291840A (zh) | 一种用户属性预测模型构建方法和装置 | |
CN107357763A (zh) | 一种基于自步学习的众包分类数据质量控制方法 | |
Hari et al. | Gallium nitride power electronic devices modeling using machine learning | |
Wu et al. | Fuzzy neural network based yield prediction model for semiconductor manufacturing system | |
CN109933946B (zh) | 一种半导体器件的分析方法 | |
Cheng | [Retracted] Employment Data Screening and Destination Prediction of College Students Based on Deep Learning | |
CN115660109B (zh) | 一种机器学习模型的训练数据集均匀化处理方法 | |
CN105447222A (zh) | 用于集成电路的工艺变化分析的方法 | |
CN113642209A (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
CN116894205A (zh) | 一种基于fcbf#-pso-rf模型的晶圆良率分类预测方法 | |
CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及系统 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
Wu et al. | Optimization and improvement based on K-Means Cluster algorithm | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
CN114529096A (zh) | 基于三元闭包图嵌入的社交网络链路预测方法及系统 |
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 |