CN116776736B - 一种基于特征提取和随机噪声注入的二极管结构预测方法 - Google Patents

Abstract

本发明公开了一种基于特征提取和随机噪声注入的二极管结构预测方法，包括：获取二极管中限幅器的初始数据，其中，所述初始数据包括：限幅器的损伤时间和损伤温度；基于所述初始数据，获取样本点；对所述样本点，进行数据增强；基于增强后的数据，构建二极管结构的预测模型；基于所述预测模型，完成所述二极管结构的预测。本发明的方法还具有良好的鲁棒性和可扩展性，能够有效地应对不同规模和复杂度的数据集，使得本发明的方法在实际应用中具有广泛的前景。

Description

一种基于特征提取和随机噪声注入的二极管结构预测方法

技术领域

本发明属于PIN限幅器技术领域，尤其涉及一种基于特征提取和随机噪声注入的二极管结构预测方法。

背景技术

强电磁脉冲保护是电路板设计中的关键组成部分，作为限幅器中核心半导体器件，其中PIN二极管的设计尤为重要。传统的设计方法通常是前向驱动的，基于预先存在的设备结构进行优化，以产生高性能的设备。然而，实际应用中获取PIN二极管的内部结构具有挑战性，需要解剖器件，用隧道电扫、X光显微镜等技术反推内部结构、材料成分等。鉴于通过注入实验可直接获取PIN二极管的响应曲线，如果能通过其响应推断内部结构，可以极大的提升防护设计的效率。然而，基于大量器件的实验数据获取成本十分昂贵且复杂，因此开发准确的PIN二极管结构预测模型时面临着数据稀缺的挑战。许多研究提出了不同的器件结构预测方法，但他们依赖大量数据曲线，对数据的利用不够高效，并不能用于PIN二极管的结构预测上，本发明提出一种新方法，在数据稀缺的情况下利用特征提取和数据增广来实现PIN二极管结构的准确预测。

发明内容

为解决上述技术问题，本发明提出了一种基于特征提取和随机噪声注入的二极管结构预测方法，通过数据增强策略，提高PIN二极管结构预测的精度，从而利用少量的数据进行高质量的预测。

为实现上述目的，本发明提供了一种基于特征提取和随机噪声注入的二极管结构预测方法包括：

获取二极管中限幅器的初始数据；

基于所述初始数据，获取样本特征；

对所述样本特征，进行数据增强；

基于增强后的数据，对梯度提升模型进行训练，获取二极管结构的预测模型；

基于所述预测模型，进行所述二极管结构的预测。

可选的，所述初始数据包括：限幅器的损伤时间和损伤温度。

可选的，获取所述样本特征包括：

对所述初始数据进行预处理，获取样本点；

对所述样本点进行特征提取，获取所述样本特征；

可选的，获取所述样本点包括：

对所述初始数据进行转置处理；

基于转置后的数据，进行标准化处理，获取所述样本点。

可选的，对所述样本点进行特征提取，获取所述样本特征包括：

基于核主成分分析，获取所述初始样本点高维空间的特征；

对所述高维空间的特征进行降维处理，获取所述初始样本点的主要特征；

采用随机森林对所述主要特征进行选择，获取高重要性特征；

基于所述高重要性特征，获取所述样本点。

可选的，获取所述初始样本点高维空间的特征包括：

基于核主成分分析，获取特征值和特征向量；

将所述特征值从大到小进行排序，选取前预设数量的所述特征值和特征向量；

基于选取后的所述特征值和特征向量，获取数据矩阵；

基于所述数据矩阵，获取所述初始样本点高维空间的特征。

可选的，所述数据矩阵为：

其中，Y为数据矩阵，a_K为前K个特征向量组成的矩阵，λ_K为前K个特征值组成的对角矩阵。

可选的，进行数据增强包括：

在所述数据特征中注入噪声扰动，调节所述噪声扰动的随机抖动系数和标准差，进行数据增强。

可选的，所述数据增强为：

x_aug＝x+∈*σ

其中，x_aug是增强数据，x是原始数据，∈是随机抖动系数，σ是数据的标准差。

与现有技术相比，本发明具有如下优点和技术效果：

本研究通过精心设计的实验和详细的数据分析，清楚地揭示了本发明的方法在改善PIN二极管反向结构预测性能方面的优越性，从而充分证明了本发明方法的技术效果。与此同时，本发明的方法还具有良好的鲁棒性和可扩展性，能够有效地应对不同规模和复杂度的数据集，使得本发明的方法在实际应用中具有广泛的前景。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例的基于特征提取和随机噪声注入的二极管结构预测方法的流程示意图；

图2为本发明实施例的具有不同尺寸和几何参数的PIN二极管在同一强电磁脉冲下表现出不同的烧毁时间和温升曲线示意图；

图3为本发明实施例的KPCA降维过程中每个主成分所保留的累积解释方差的示意图；

图4为本发明实施例的随机森林进行特征选择的示意图；

图5为本发明实施例的原始数据和增强数据的散点图和直方图示意图；

图6为本发明实施例的PIN二极管结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本发明提出了一种基于特征提取和随机噪声注入的二极管结构预测方法，包括转置基数据预处理，特征提取和降维，数据增强以及预测模型的构建。

在转置基数据预处理步骤中，本发明首先将温度作为变量，然后对数据进行转置，以捕获特征并统一长度。通过转置数据，本发明能够处理具有不同几何参数的限幅器在相同的强电磁脉冲波形下显示出的不同的烧毁时间和温度曲线。在统一损坏温度(例如1600K)的条件下，本发明可以提高模型训练的效率。

接下来是特征提取和降维。本发明使用核主成分分析(KPCA)来提取特征和降低维度，从而转换数据以捕获非线性结构。为了获得更好的局部性和平滑性，本发明选择径向基函数(RBF)作为核函数。此步骤的目标是从大量的原始数据中提取出有意义的特征，并将高维数据降至低维，以提高后续分析的效率和精度。

数据增强是另一个重要步骤。本发明使用基于噪声注入的数据增强技术来增加数据集的复杂性和广泛性。通过在原始数据中注入噪声，本发明可以模拟在实际环境中可能出现的变化，并且本发明的模型能够更好地适应这些变化，从而提高预测的准确性和鲁棒性。

最后，本发明构建了预测模型。这个模型是基于本发明从前面步骤中提取和增强的数据来训练的。该模型的目标是从强电磁脉冲波形准确预测限幅器参数。本发明的模型特别注重预测的准确性和鲁棒性，即使在具有挑战性的数据集中也能做出准确的预测。

实施例

本实施例提出了一种基于特征提取和随机噪声注入的二极管结构预测方法，包括：

步骤一：基于转置的数据预处理

如图2所示，具有不同尺寸和几何参数的PIN二极管在同一强电磁脉冲下表现出不同的烧毁时间和温升曲线，这使得温升曲线长度的不同，进一步阻碍了模型的建立。这些问题在数据科学和机器学习领域中常见，数据在长度和分布上的不均匀会导致模型训练的困难和效率降低。

为了解决这个问题，本实施例采用了数据预处理的方法，包括数据标准化和基于转置的特征提取。数据标准化的目标是将不同长度的温升曲线统一到同一数据长度。基于转置的特征提取方法则是在标准化后的数据上执行，以提高模型训练的效率和精度。

具体来说，本实施例首先在统一的损坏温度1600K的条件下，对所有的数据进行了标准化处理。这一步是通过转置数据并使用温度作为变量来完成的，这样可以更好地捕获数据的特征，并统一数据的长度。之后，本发明在这些标准化后的数据中插入了若干条平行于x轴的线，通过找到这些线与温度曲线相交的最近点的x坐标，本发明获得了一组新的样本点。

这种方法利用了数据的转置属性和对数据的理解，充分描述了数据中的曲线特征，将这些特征作为机器学习任务的输入，同时统一了数据长度，使得数据在接下来的机器学习训练中能够被有效地使用。这种创新性的数据预处理方法成功地解决了数据长度的问题，也优化了特征的提取过程，降低了计算复杂度，并有效提高了模型训练的速度和效果。

步骤二：特征提取和降维

温度曲线的非线性和相似性使得直接特征提取变得复杂。本发明使用核主成分分析(KPCA)来提取特征和降低维度，转换数据以捕获非线性结构，从而增强后续分析。由于其优越的局部性和平滑性，径向基函数(RBF)被选为核函数。由图2曲线可知，温升曲线存在一定的非线性，在线性空间中处理难以提取关键特征，所以相较于线性的PCA等线性特征提取方法，KPCA在处理本研究的非线性数据时具有明显优势。因此，在本研究中，本发明采用核主成分分析(KPCA)对非线性特征进行特征提取，以便对复杂数据集进行有效预处理。

KPCA将数据转换到高维空间，能够更好地捕捉到数据的非线性结构，从而为进一步的分析和处理提供更为丰富的信息。在高维空间中，原本难以分离的数据点可能变得更容易分离，从而提高分析的准确性。在本研究中，本发明采用径向基函数(RBF)核作为核函数。RBF核具有良好的局部性和平滑性，适用于处理非线性问题。

KPCA的算法公式如下：

首先计算核矩阵K：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²)

其中，γ为RBF核的参数，xi和xj为数据集中的两个不同的观察点。

对核矩阵K进行中心化：

其中，为n阶全1矩阵。

对中心化后的核矩阵K′进行特征分解，得到特征值λ和特征向量α。

将特征值从大到小排序，并选择前k个特征值及对应的特征向量，计算降维后的数据矩阵：

其中，α_K为前K个特征向量组成的矩阵，λ_K为前K个特征值组成的对角矩阵。

通过以上步骤，本发明使用KPCA将非线性特征转换到高维空间，并在高维空间提取关键信息，从而为后续分析和处理提供了更为丰富的数据信息。

图3表示的是在本实施例中Kernel PCA降维过程中每个主成分所保留的累积解释方差。解释方差(explained variance)是一种常用的统计量，用于衡量主成分在原始数据中的重要性。具体而言，一个主成分的解释方差就是该主成分所包含的原始数据信息的百分比。累积解释方差则是所有主成分的解释方差之和，横轴代表主成分的数量，纵轴代表累积解释方差。当本发明取用KPCA选取的前40个主成分时，可以清晰地看到累积解释方差达到了1，这表明这些主成分完全保留了原始数据的所有方差，也就是说，所有原始数据的信息都被这些主成分所捕捉。

为了提升分类器的性能，本发明采用了随机森林进行特征选择。如图4所示，利用自助采样(bootstrap sampling)方法来创建训练数据集，并以平均不纯度减少(MeanDecrease Impurity,MDI)作为特征重要性的指标。基于预设的阈值或特征数量，选择出高重要性的特征。

随机森林是一种著名的集成学习方法，其主要基于决策树，并通过引入随机性来增强模型的泛化能力和鲁棒性。在特征选择过程中，随机森林利用多个决策树的投票机制，为每一个特征赋予一个重要性分数。这个分数基于特征在决策树中的使用情况以及其在分类或回归任务中的效果。具体而言，一个特征的重要性是由它在所有决策树中减少不纯度的平均值决定的，这也就是所谓的平均不纯度减少(MDI)。

自助采样(bootstrap sampling)是一种统计学上的重采样技术，它通过从原始数据集中有放回地抽取样本来生成新的数据集。在这个过程中，每个样本在新的数据集中被抽取的概率都是相等的。通过这种方式，本发明可以创建多个不同的训练数据集，进一步增强随机森林的鲁棒性和泛化能力。

在特征选择过程中，本实施例设置了一个阈值或特征数量，只有当特征的重要性超过这个阈值或者在所有特征中排名前几时，才会被选中。这样的设定可以帮助本发明剔除掉那些对模型贡献较小的特征，从而简化模型，提高其运行效率，同时还能保持或甚至提升模型的性能。

总的来说，本实施例的特征选择过程以随机森林为基础，结合了自助采样和平均不纯度减少这两种方法，从而有效地识别出那些对分类器性能有显著影响的特征。这一方法将有助于本实施例在处理高维数据和复杂机器学习任务时，提升模型性能，提高预测的准确性。

步骤三：基于噪声注入的数据增强

数据增强技术的应用显著增强了机器学习模型的泛化能力和鲁棒性，同时有效地缓解了过拟合现象。由于增强样本可能带来噪声或甚至错误的样本，因此应仔细考虑增强方法。基于当增加的样本分布与原始数据分布类似时，误差在特定范围内的假设，本实施例采用噪声注入进行数据增强。

噪声注入方法在数据集中的每个样本上添加适度的随机扰动，并使用扰动数据和原始数据训练模型。噪声注入数据增强的公式如下：

x_aug＝x+∈*σ

其中，x_aug是增强数据，x是原始数据，∈是随机抖动系数，σ是数据的标准差。

随机抖动系数∈根据数据集特性调整噪声大小，确保新生成的数据保留原始特性的同时增加多样性。标准差σ根据原始数据分布调节噪声强度，较大的σ导致数据更分散，较小的σ则导致分布更集中。通过调整∈和σ，可以生成多样的训练样本。如图5的散点图和直方图所示，本发明的噪声注入方法产生的数据分布与原始的相似，增强了数据集的多样性和安全性。

详细来说，本实施例的噪声注入技术是一种数据增强策略，该策略通过向数据集中的每个样本添加随机扰动来生成新的训练样本。这种扰动是在原始样本的基础上添加的，添加的程度由随机抖动系数控制，同时考虑到数据的标准差。这意味着，每个生成的样本都是在原始样本的基础上，以一种考虑了数据本身特性的方式进行扰动的，因此保留了原始数据的一些关键特性。

此外，本实施例的噪声注入策略还允许调整随机抖动系数和标准差，以产生不同的训练样本。这样做的目的是为了增加训练样本的多样性，使模型能够从中学习到更丰富的特征，从而提高其对新数据的预测能力。

本实施例通过图5的散点图和直方图验证了这种策略的有效性。这些图表展示了使用噪声注入策略生成的数据的分布，可以看出，这些数据的分布与原始数据的分布非常相似，这说明本实施例的策略确实能够在保留原始数据特性的同时增加数据的多样性。因此，本实施例的噪声注入策略不仅可以提高模型的泛化能力和鲁棒性，还可以提高数据集的安全性，降低模型过拟合的风险。

步骤四：预测模型

梯度提升模型，如LightGBM、XGBoost和CatBoost，是目前领先的机器学习模型，相较于传统的机器学习模型，这些模型能够提供更高的预测准确性，同时在各种应用场景中展现出卓越的性能。这些模型的成功主要归功于其独特的集成学习机制，这种机制集成了大量的弱学习者以生成一个强大的预测模型，有效地减少了模型的偏差和方差，提高了预测性能。

更具体地说，梯度提升模型通过反复训练一系列的弱学习者，并将这些学习者的预测结果进行组合，使得每一个新的学习者都能在上一个学习者的基础上进一步减少预测误差。在这个过程中，每个新的学习者都是对之前所有学习者的预测结果进行纠正，从而逐渐提高整体模型的预测准确性。

除了集成学习的优势之外，梯度提升模型还引入了强大的正则化机制来控制模型的复杂性，防止过拟合。例如，XGBoost模型通过L1和L2正则化来限幅模型的复杂度，减少过拟合的风险；CatBoost模型则通过对分类特征的特殊处理来提高模型的泛化能力。

此外，梯度提升模型还具有出色的处理缺失数据和异常值的能力。LightGBM模型通过其独特的机制来处理这些问题，这使得其在面对实际数据集时，具有更强的鲁棒性。

最后，不同于MLP等神经网络模型的黑箱特性，梯度提升模型提供了较好的模型解释性。通过观察模型的特征重要性得分，本实施例可以了解到哪些特征在预测中起到了关键的作用，这对于理解模型的预测机制，以及指导实际应用中的决策制定，都具有重要的意义。

通过集成学习，正则化机制，以及强大的处理缺失数据和异常值的能力，梯度提升模型如LightGBM、XGBoost和CatBoost在提高预测准确性，提高模型鲁棒性，以及提供模型解释性等方面，相较于传统的机器学习模型，展现出了显著的优势。

PIN二极管，由P型和N型高掺杂半导体组成，两者之间夹有一个阻性I层，如图6所示，P区域和I区域的厚度在1-5μm之间变化。初步的不规则离散数据点被预处理为100个均匀特征。然后，通过核主成分分析(Kernel PCA)将其降维至40，随机森林方法选择了前20个特征。数据增强方法使数据集大小增加了一倍，从而增强了用于反向结构预测模型。

如表1所示，实验的检测数据是测试集上的预测准确度，比较实验的结果确实证明了基于梯度提升的学习算法和数据增强技术在解决PIN二极管反向结构预测挑战中的有效性。特别是，模型预测准确性的显著提高主要归功于噪声增强数据的引入。这表明引入噪声可以显著提高这些模型的精确性。LightGBM、XGBoost、CatBoost等先进的梯度提升方法的表现优于传统算法，如MLP分类器、SVM分类器、决策树分类器和KNN分类器，进一步证实了梯度提升模型的优势。这些实证证据确认了噪声注入在数据增强中的关键作用，以及梯度提升模型在提高分类任务总体准确性方面的卓越表现。

表1

以上，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种基于特征提取和随机噪声注入的二极管结构预测方法，其特征在于，包括：

获取二极管中限幅器的初始数据；

所述初始数据包括：限幅器的损伤时间和损伤温度；

基于所述初始数据，获取样本特征；

获取所述样本特征包括：

对所述初始数据进行预处理，获取样本点；

对所述样本点进行特征提取，获取所述样本特征；

获取所述样本点包括：

对所述初始数据进行转置处理；

基于转置后的数据，进行标准化处理，获取所述样本点；

获取所述样本特征包括：

基于核主成分分析，获取初始样本点高维空间的特征；

对所述高维空间的特征进行降维处理，获取所述初始样本点的主要特征；

采用随机森林对所述主要特征进行选择，获取高重要性特征；

基于所述高重要性特征，获取所述样本点；

获取所述初始样本点高维空间的特征包括：

基于核主成分分析，获取特征值和特征向量；

将所述特征值从大到小进行排序，选取前预设数量的所述特征值和特征向量；

基于选取后的所述特征值和特征向量，获取数据矩阵；

基于所述数据矩阵，获取所述初始样本点高维空间的特征；

对所述样本特征，进行数据增强；

进行数据增强包括：

在数据特征中注入噪声扰动，调节所述噪声扰动的随机抖动系数和标准差，进行数据增强；

基于增强后的数据，对梯度提升模型进行训练，获取二极管结构的预测模型；

基于所述预测模型，进行所述二极管结构的预测。

2.根据权利要求1所述的一种基于特征提取和随机噪声注入的二极管结构预测方法，其特征在于，所述数据矩阵为：

其中，Y为数据矩阵，a_K为前K个特征向量组成的矩阵，λ_K为前K个特征值组成的对角矩阵。

3.根据权利要求1所述的一种基于特征提取和随机噪声注入的二极管结构预测方法，其特征在于，所述数据增强为：

x_aug＝x+∈*σ

其中，x_aug是增强数据，x是原始数据，∈是随机抖动系数，σ是数据的标准差。