基于混合特征选择和超参优化的晶圆蚀刻缺陷预测方法

为了提高半导体晶圆制程中缺陷预测的准确率,提出一种混合特征选择和基于序列模型优化(SMBO)相结合的缺陷预测方法。该方法以对高维度、多噪声、多模态与线性不可分的数据具有良好适用性的随机森林和支持向量机两种机器学习算法为基础,首先利用基于随机森林算法的稳定性筛选为特征评分,再基于序列前向搜索方法搜索降序排序的特征,依次创建支持向量机分类模型,并采用SMBO方法进行优化,最终选择表现最好且特征数量最少的模型进行缺陷预测。为了验证所提方法的有效性和优异性,使用蚀刻制程中的残渣缺陷和凹坑缺陷的实际工程数据进行预测对比分析,最终验证了其对晶圆制造过程中的缺陷具有优异的识别能力。

基于树结构Parzen估计器优化集成学习的短期负荷预测方法

短期负荷预测主要用于电力系统实时调度、日前发电计划的制定,对电力系统经济调度、系统的安全运行具有重要意义.国内外在采用智能模型进行短期负荷预测方面开展了大量研究,然而智能预测方法的预测效果较易受到现存方法结构及参数的影响,以及预测对象自身个性差异使得参数难以复用,如何精准快速地获取方法结构与参数成为短期负荷预测的关键难题.对此,提出基于树结构Parzen估计器优化集成学习的短期负荷预测方法,可对方法结构与参数进行快速寻优.将该方法应用于中国南方某省短期负荷预测,以实际算例验证了其对预测精度的有效提升.

机器学习中的双层优化算法简介

双层优化是近年来的一个热门研究方向.这主要归功于机器学习的兴起和双层优化在机器学习中的许多重要应用.本文对双层优化的算法、理论及应用最近几年的发展做一个简要的介绍内容主要包括双层优化的历史,双层优化在电力系统,超参优化,元学习等领域的应用,以及双层优化的算法设计和理论保证。算法方面我们主要分两种情况:下层问题是强凸问题和下层问题是一般凸问题,这里我们会讨论梯度法和基于下层最优函数的方法.我们也会重点讨论分布式网络中的双层优化,包括去中心化的双层优化和联邦双层优化的算法和理论分析.

移动App即时缺陷预测模型的可解释性方法

在移动App即时缺陷预测领域,大部分研究只关注预测模型的性能,而忽略了模型的可解释性,因此会造成开发人员对缺陷预测模型的预测结果缺乏信任,并阻碍了缺陷预测模型在实践中的应用。主要针对Android移动App即时缺陷预测模型的可解释性展开研究,通过差分进化算法对局部可解释技术LIME方法进行超参优化得到ExplainApp方法,该方法可以对预测结果生成高质量解释。选择了14个实际Android应用程序作为实验对象,最终结果表明,ExplainApp方法可以解释移动App即时缺陷预测模型得到的实例预测结果。ExplainApp方法在拟合优度上要优于原始的LIME方法,可以平均提高94.50%。

基于回声状态网络的水质预测方法

为了准确预测水质参数的变化趋势,基于回声状态网络(Echo state networks,ESN)对地表水质预测进行了试验。首先根据ESN的特点和训练步骤对ESN网络的重要参数进行分析;然后采用网格搜索(Grid Search,GS)算法对ESN的储备池规模、谱半径、泄漏率、正则化系数进行寻优;在此基础上,结合福建省某水库的真实监测数据建立GS-ESN水质预测模型,对该水库的溶解氧及高锰酸盐指标进行短期预测。结果表明,GS-ESN水质预测模型的准确性相对于经验调参方法有明显提高。

基于优化堆叠降噪自编码器的滚动轴承故障诊断

针对深度神经网络用于滚动轴承故障诊断时,网络隐含层层数、各隐含层节点数、稀疏系数以及输入数据置零比例等超参数会直接影响网络诊断性能的问题,提出了一种优化改进堆叠降噪自编码器(SDAE)的滚动轴承故障智能诊断方法。使用学生心理优化算法(SPBO)对降噪自编码器(DAE)网络的超参数进行自适应选取来确定SDAE网络的最优结构和参数,据此提取具有更强表征力的故障状态特征表示,输入到soft-max分类器实现滚动轴承运行工况的精确诊断。使用3个开源数据集对所提网络的性能进行验证,实验结果表明,基于SPBO-SDAE网络的诊断方法在特征有效提取、诊断速度以及故障诊断准确率方面均优于支持向量机(SVM)、反向传播(BP)神经网络、径向基(RBF)神经网络、SDAE网络、SPBO优化后的深度置信网络(DBN)、遗传算法(GA)优化后的SDAE网络以及粒子群算法(PSO)优化后的SDAE网络。

基于非线性组合优化模型的抗癌药物QSAR预测

抗癌药物的定量结构-活性关系(QSAR)预测模型的研究有助于对癌症病人药物治疗的靶点进行预测和优化.首先综合XGBoost、随机森林和MIC筛选出与生物活性最重要的20个变量,其次,采用遗传算法对多个机器学习模型进行超参优化,最后将优化后的模型采用神经网络进行非线性组合,通过与多种机器学习模型以及组合模型的预测效果进行比较,发现此非线性组合优化模型具有最好的预测效果且稳健性检验结果表明本文模型能保持预测精度的稳定性。