[發(fā)明專利]一種基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910796375.6
• 申請(qǐng)日: 2019-08-27
• 公開（公告）號(hào): CN110543905A
• 公開（公告）日: 2019-12-06
• 發(fā)明（設(shè)計(jì)）人: 陳壽宏;康懷強(qiáng);馬峻;侯杏娜;尚玉玲;郭玲
• 申請(qǐng)（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/00;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 11429 北京中濟(jì)緯天專利代理有限公司
• 代理人: 石燕妮<國(guó)際申請(qǐng)>=<國(guó)際公布>=<進(jìn)入

1.一種基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，其特征在于，包括：

獲取TSV半徑，并以半徑為數(shù)據(jù)分類依據(jù)，設(shè)置標(biāo)簽；

獲取樣本數(shù)據(jù)基于極限學(xué)習(xí)機(jī)算法輸出節(jié)點(diǎn)個(gè)數(shù)；其中，所述樣本數(shù)據(jù)包括激勵(lì)頻率、輸入反射系數(shù)、反向傳輸系數(shù)和標(biāo)簽；

基于粒子群算法對(duì)節(jié)點(diǎn)個(gè)數(shù)進(jìn)行優(yōu)化，得到期望節(jié)點(diǎn)個(gè)數(shù)。

2.如權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，其特征在于，所述獲取樣本數(shù)據(jù)基于極限學(xué)習(xí)機(jī)算法輸出節(jié)點(diǎn)個(gè)數(shù)，包括：

建立ELM模型；

獲取樣本數(shù)據(jù)輸入ELM模型中，以預(yù)設(shè)標(biāo)簽為期望輸出，所述ELM模型包括輸入層、隱含層和輸出層；

獲取初始激活函數(shù)、初始權(quán)重和偏置，并基于特征映射矩陣輸出節(jié)點(diǎn)個(gè)數(shù)。

3.如權(quán)利要求2所述的基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，其特征在于，所述獲取樣本數(shù)據(jù)輸入ELM模型中，以預(yù)設(shè)標(biāo)簽為期望輸出，所述ELM模型包括輸入層、隱含層和輸出層，包括：

獲取所述輸入層接收的外來數(shù)據(jù)，并將外來數(shù)據(jù)傳遞至所述隱含層進(jìn)行計(jì)算、整理處理；

輸出所述隱含層的計(jì)算結(jié)果。

4.如權(quán)利要求2所述的基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，其特征在于，所述獲取初始激活函數(shù)、初始權(quán)重和偏置，并基于特征映射矩陣輸出節(jié)點(diǎn)個(gè)數(shù)，其中所述樣本數(shù)據(jù)中共有N個(gè)不同的樣本(x_i，t_i)，X_i為其對(duì)應(yīng)的第i個(gè)樣本，標(biāo)簽為t_i，所述特征映射矩陣為：

Hβ＝T；

其中，ω_i表示連接第i個(gè)隱含層神經(jīng)元和輸入層神經(jīng)元的輸入權(quán)值，b_i表示第i個(gè)隱含層神經(jīng)元的偏置，β表示輸出層和隱含層之間的權(quán)值矩陣，T表示訓(xùn)練樣本期望輸出矩陣。

5.如權(quán)利要求2所述的基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，其特征在于，所述獲取初始激活函數(shù)、初始權(quán)重和偏置，并基于特征映射矩陣輸出節(jié)點(diǎn)個(gè)數(shù)，其中所述初始權(quán)重和偏置滿足第一函數(shù)，所述第一函數(shù)為：

6.如權(quán)利要求1所述的基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，其特征在于，所述基于粒子群算法對(duì)節(jié)點(diǎn)個(gè)數(shù)進(jìn)行優(yōu)化，得到期望節(jié)點(diǎn)個(gè)數(shù)，其中優(yōu)化過程前，第i個(gè)粒子的位置為：

X_i＝(X_il，X_i2……，X_iD)。

7.如權(quán)利要求6所述的基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，其特征在于，所述基于粒子群算法對(duì)節(jié)點(diǎn)個(gè)數(shù)進(jìn)行優(yōu)化，得到期望節(jié)點(diǎn)個(gè)數(shù)，其中優(yōu)化過程中，第i個(gè)粒子在搜索過程中的最佳位置P為：

P_best＝(P_i1，P_i2……,P_iD)。

8.如權(quán)利要求7所述的基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，其特征在于，所述基于粒子群算法對(duì)節(jié)點(diǎn)個(gè)數(shù)進(jìn)行優(yōu)化，得到期望節(jié)點(diǎn)個(gè)數(shù)，其中粒子群算法中的粒子是通過比較適應(yīng)值和極值來不斷更新自己的速度和位置，滿足第二函數(shù)，所述第二函數(shù)為：

其中，a為慣性權(quán)重，c₁和c₂是學(xué)習(xí)因子，r1和r是學(xué)習(xí)因子，r1和r2是在[0,1]之間分布的隨機(jī)數(shù)，t為當(dāng)前迭代次數(shù)，vi(t)是第t次迭代時(shí)粒子的速度，pi(t)是歷史最佳位置；

下一刻的粒子位置為：

xi(t+1)＝xi(t)+vt+1，xi(t)為第t次迭代時(shí)粒子的位置。

9.如權(quán)利要求8所述的基于機(jī)器學(xué)習(xí)的TSV空洞檢測(cè)方法，其特征在于，所述基于粒子群算法對(duì)節(jié)點(diǎn)個(gè)數(shù)進(jìn)行優(yōu)化，得到期望節(jié)點(diǎn)個(gè)數(shù)，其中優(yōu)化過程后，第i個(gè)粒子的位置為：

k為整個(gè)尋優(yōu)過程的迭代次數(shù)。