基于机器学习的半导体电阻值预测方法及系统.pdf

《基于机器学习的半导体电阻值预测方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于机器学习的半导体电阻值预测方法及系统.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410006708.1(22)申请日 2024.01.03(71)申请人 江苏上达半导体有限公司地址 221300 江苏省徐州市邳州市经济开发区辽河路北侧、华山路西侧(72)发明人 王健孙彬陆文孙飞金程缘张馨(74)专利代理机构 北京博识智信专利代理事务所(普通合伙)16067专利代理师 时贝贝(51)Int.Cl.G06F 18/241(2023.01)G06F 18/214(2023.01)G06F 18/211(2023.01)G06N 3/0442(2023.01)(54)发明名称一。

2、种基于机器学习的半导体电阻值预测方法及系统(57)摘要本发明公开了一种基于机器学习的半导体电阻值预测方法及系统，方法包括数据采集、数据预处理、特征数据增强、阻值预测、半导体电阻值预测。本发明涉及电阻值预测技术领域，具体是指一种基于机器学习的半导体电阻值预测方法及系统，本发明采用四分位距识别方法进行异常值剔除，优化了阻值预测训练数据的质量；采用热图相关矩阵、变化滤波器和递归特征消除的方法进行特征数据增强，优化了特征选择；采用结合长短期记忆的循环神经网络方法进行阻值预测，通过长短期记忆神经网络的单元状态特性实现算法记忆，并参考前一时序数据进行数据整体预测，提高了方法的整体可用性和精确性。权利要求书。

3、3页 说明书8页 附图5页CN 117493982 A2024.02.02CN 117493982 A1.一种基于机器学习的半导体电阻值预测方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集；步骤S2：数据预处理；步骤S3：特征数据增强；步骤S4：阻值预测；步骤S5：半导体电阻值预测；在步骤S1中，所述数据采集，用于采集需预测的半导体电阻值的原始数据，具体为从氮化铝镓设备中，通过采集得到阻值预测原始数据；在步骤S2中，所述数据预处理，用于对原始数据进行初步处理，具体为对所述阻值预测原始数据进行异常值剔除，具体为采用四分位距识别方法进行异常值剔除，得到阻值预测优化数据，所述采用四分位距识别。

4、方法进行异常值剔除的步骤，包括：步骤S21：计算四分位数；步骤S22：计算四分位距；步骤S23：设置异常值阈值；步骤S24：异常值识别；步骤S25：异常值剔除；在步骤S3中，所述特征数据增强，用于提取数据特征并进一步增强特征数据，具体为采用热图相关矩阵、变化滤波器和递归特征消除的方法，对所述阻值预测优化数据进行特征数据增强，得到增强特征阻值预测数据；在步骤S4中，所述阻值预测，用于进行氮化铝镓半导体的阻值预测，具体为采用结合长短期记忆的循环神经网络方法，依据所述增强特征阻值预测数据和所述阻值预测原始数据，进行阻值预测；所述结合长短期记忆的循环神经网络，包括输入门、遗忘门和输出门；所述输入门，用。

5、于确定存储在神经网络单元状态中的阻值预测特征信息；所述遗忘门，用于确定从单元状态中删除的阻值预测特征信息；所述输出门，用于确定当前时间的预测值输出；在步骤S5中所述半导体电阻值预测，用于评估模型性能，并采用预测模型进行半导体电阻值预测测试，具体为采用均方根误差分析、平均绝对误差分析和平均绝对百分比误差分析，进行模型预测性能评估计算，结合所述半导体阻值预测数据，得到半导体电阻值预测参考信息。2.根据权利要求1所述的一种基于机器学习的半导体电阻值预测方法，其特征在于：在步骤S21中，所述计算四分位数，具体为通过采用统计学方法，计算得到所述阻值预测原始数据中电流历史参考数据的第一四分位数Q1、中位数。

6、Q2和第三四分位数Q3；在步骤S22中，所述计算四分位距，计算公式为：IQR=Q3Q1；式中，IQR是四分位距，用于表示所述第一四分位数Q1和第三四分位数Q3之间的差值，Q1是第一四分位数，Q2是第三四分位数；在步骤S23中，所述设置异常值阈值，具体为计算异常值下限阈值和异常值上限阈值，计算公式为：；式中，Amin是异常值下限阈值，Amax是异常值上限阈值，Q1是第一四分位数，Q2是第三四权利要求书1/3 页2CN 117493982 A2分位数，IQR是四分位距；在步骤S24中，所述异常值识别，具体为依据所述异常值阈值，识别所述阻值预测原始数据中电流历史参考数据超出阈值的数据点；在步骤S25。

7、中，所述异常值剔除，具体为将所述异常值识别中识别到的异常数据点剔除，得到阻值预测优化数据。3.根据权利要求2所述的一种基于机器学习的半导体电阻值预测方法，其特征在于：在步骤S3中，所述采用热图相关矩阵、变化滤波器和递归特征消除的方法，对所述阻值预测优化数据进行特征数据增强的步骤，包括：步骤S31：特征提取；步骤S32：构建热图相关矩阵；步骤S33：特征筛选；步骤S34：构建变化滤波器模型；步骤S35：变化滤波器响应计算；步骤S36：递归特征消除；步骤S37：特征数据增强。4.根据权利要求3所述的一种基于机器学习的半导体电阻值预测方法，其特征在于：在步骤S31中，所述特征提取，具体为从所述阻值预。

8、测优化数据中，结合时间戳数据，采用时域特征提取方法进行特征提取，得到阻值预测特征数据；在步骤S32中，所述构建热图相关矩阵，用于可视化数据特征之间的相关性，具体为依据皮尔逊相关系数进行相关系数矩阵构建，并通过构建相关系数矩阵生成阻值预测数据热图，并依据所述阻值预测数据热图，生成得到热图相关矩阵；在步骤S33中，所述特征筛选，具体为依据所述热图相关矩阵，选取所述阻值预测特征数据中具有高相关性的特征子集，并剔除无关特征，得到阻值预测特征筛选数据；在步骤S34中，所述构建变化滤波器模型，用于增强特征信息，具体为依据所述阻值预测特征筛选数据，采用支持向量机模型，构建变化滤波器；在步骤S35中，所述变化。

9、滤波器响应计算，具体为对所述阻值预测特征筛选数据中的每个特征向量应用所述变化滤波器，并通过计算滤波器响应得到特征变化数据；在步骤S36中，所述递归特征消除，具体为依据所述特征变化数据，采用递归特征消除方法，迭代删除最小权重特征，并重构特征数据集，得到阻值预测特征重构数据；在步骤S37中，所述特征数据增强，具体为通过所述特征提取、所述构建热图相关矩阵、所述特征筛选、所述构建变化滤波器模型、所述变化滤波器响应计算和递归特征消除，进行特征数据增强，得到增强特征阻值预测数据，所述增强特征阻值预测数据，包括电流密度特征、电压特征、阳极压力特征、阴极压力特征、阳极温度特征和器件整体温度特征。5.根据权利要。

10、求4所述的一种基于机器学习的半导体电阻值预测方法，其特征在于：采用结合长短期记忆的循环神经网络方法，依据所述增强特征阻值预测数据和所述阻值预测原始数据，进行阻值预测的步骤，包括：步骤S41：构建输入门，计算公式为：；式中，it是输入门，t是时间步索引，sig()是S型激活函数，是输入门权重参数，权利要求书2/3 页3CN 117493982 A3是向量拼接运算符，ht1是上一时间步t1的隐藏状态，xt是当前时间步t的数据输入，bi是输入门的偏置参数；步骤S42：构建遗忘门，计算公式为：；式中，ft是遗忘门，t是时间步索引，sig()是S型激活函数，是遗忘门权重参数，是向量拼接运算符，ht1是上。

11、一时间步t1的隐藏状态，xt是当前时间步t的数据输入，bf是遗忘门的偏置参数；步骤S43：构建输出门，计算公式为：；式中，ft是输出门，t是时间步索引，sig()是S型激活函数，是输出门权重参数，是向量拼接运算符，ht1是上一时间步t1的隐藏状态，xt是当前时间步t的数据输入，bo是输出门的偏置参数；步骤S44：阻值预测模型训练，具体为通过所述构建输入门、所述构建遗忘门和所述构建输出门，进行阻值预测模型训练，得到阻值预测模型ModelRP；步骤S45：阻值预测，具体为使用所述阻值预测模型ModelRP，基于所述增强特征阻值预测数据和所述阻值预测原始数据，进行半导体阻值预测，得到半导体阻值预测数。

12、据。6.根据权利要求5所述的一种基于机器学习的半导体电阻值预测方法，其特征在于：在步骤S1中，所述阻值预测原始数据，包括电流历史参考数据、氮化铝镓器件特性参数数据和时间戳数据，所述电流历史参考数据，包括电流密度数据、电压数据、阳极压力数据、阴极压力数据、阳极温度数据和器件整体温度数据。7.根据权利要求6所述的一种基于机器学习的半导体电阻值预测方法，其特征在于：在步骤S5中，所述半导体电阻值预测，具体为采用均方根误差分析、平均绝对误差分析和平均绝对百分比误差分析，进行模型预测性能评估计算，结合所述半导体阻值预测数据，得到半导体电阻值预测参考信息，所述半导体电阻值预测参考信息，具体包括半导体阻值预。

13、测值参考数据和半导体阻值预测模型性能评估数据。8.一种基于机器学习的半导体电阻值预测系统，用于实现如权利要求17中任一项所述的一种基于机器学习的半导体电阻值预测方法，其特征在于：包括数据采集模块、数据预处理模块、特征数据增强模块、阻值预测模块、半导体电阻值预测模块。9.根据权利要求8所述的一种基于机器学习的半导体电阻值预测系统，其特征在于：所述数据采集模块，用于数据采集，通过数据采集，得到阻值预测原始数据，并将所述阻值预测原始数据发送至数据预处理模块和阻值预测模块；所述数据预处理模块，用于数据预处理，通过数据预处理，得到阻值预测优化数据，并将所述阻值预测优化数据发送至特征数据增强模块；所述特征。

14、数据增强模块，用于特征数据增强，通过特征数据增强，得到增强特征阻值预测数据，并将所述增强特征阻值预测数据发送至阻值预测模块；所述阻值预测模块，用于阻值预测，通过阻值预测，得到半导体阻值预测数据，并将所述半导体阻值预测数据发送至半导体点阻值预测模块；所述半导体电阻值预测模块，用于半导体电阻值预测，通过半导体电阻值预测，得到半导体电阻值预测参考信息。权利要求书3/3 页4CN 117493982 A4一种基于机器学习的半导体电阻值预测方法及系统技术领域0001本发明涉及电阻值预测技术领域，具体是指一种基于机器学习的半导体电阻值预测方法及系统。背景技术0002基于机器学习的半导体电阻值预测方法是一种。

15、利用机器学习算法对半导体材料的电阻值进行预测的技术，使用基于机器学习的半导体电阻值预测方法可以帮助研究人员和工程师快速、准确地预测材料的电阻值，从而指导材料选择、设计和优化过程。0003但是，在已有的半导体电阻值预测方法中，存在着数据中的噪声和异常值会阻碍模型训练并且限制模型性能，进而降低阻值预测的准确性的技术问题；在已有的半导体电阻值预测方法中，存在着阻值预测任务中的特征信息繁杂，数据种类多样，相关性较弱的特征信息容易干扰模型预测的质量，需要选择更具代表性的特征数据的技术问题；在已有的半导体电阻值预测方法中，存在着半导体阻值预测任务在进行机器学习预测模型构建时，需要参考先前的输入和算法记忆从。

16、而提高整体预测地可用性的技术问题。发明内容0004针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的半导体电阻值预测方法及系统，针对在已有的半导体电阻值预测方法中，存在着数据中的噪声和异常值会阻碍模型训练并且限制模型性能，进而降低阻值预测的准确性的技术问题，本方案创造性地采用四分位距识别方法进行异常值剔除，优化了阻值预测训练数据的质量，为后续的预测任务提供良好的数据基础；针对在已有的半导体电阻值预测方法中，存在着阻值预测任务中的特征信息繁杂，数据种类多样，相关性较弱的特征信息容易干扰模型预测的质量，需要选择更具代表性的特征数据的技术问题，本方案创造性地采用热图相关矩阵、变化滤波。

17、器和递归特征消除的方法进行特征数据增强，优化了特征选择，进一步提高了训练数据质量；针对在已有的半导体电阻值预测方法中，存在着半导体阻值预测任务在进行机器学习预测模型构建时，需要参考先前的输入和算法记忆从而提高整体预测地可用性的技术问题，本方案创造性地采用结合长短期记忆的循环神经网络方法进行阻值预测，通过长短期记忆神经网络的单元状态特性实现算法记忆，并参考前一时序数据进行数据整体预测，提高了方法的整体可用性和精确性。0005本发明采取的技术方案如下：本发明提供的一种基于机器学习的半导体电阻值预测方法，该方法包括以下步骤：0006步骤S1：数据采集；0007步骤S2：数据预处理；0008步骤S3：。

18、特征数据增强；0009步骤S4：阻值预测；0010步骤S5：半导体电阻值预测。说明书1/8 页5CN 117493982 A50011进一步地，在步骤S1中，所述数据采集，用于采集需预测的半导体电阻值的原始数据，具体为从氮化铝镓设备中，通过采集得到阻值预测原始数据，所述阻值预测原始数据，包括电流历史参考数据、氮化铝镓器件特性参数数据和时间戳数据，所述电流历史参考数据，包括电流密度数据、电压数据、阳极压力数据、阴极压力数据、阳极温度数据和器件整体温度数据。0012进一步地，在步骤S2中，所述数据预处理，用于对原始数据进行初步处理，具体为对所述阻值预测原始数据进行异常值剔除，具体为采用四分位距识别。

19、方法进行异常值剔除，得到阻值预测优化数据，所述采用四分位距识别方法进行异常值剔除的步骤，包括：0013步骤S21：计算四分位数，具体为通过采用统计学方法，计算得到所述阻值预测原始数据中电流历史参考数据的第一四分位数Q1、中位数Q2和第三四分位数Q3；0014步骤S22：计算四分位距，计算公式为：0015IQR=Q3Q1；0016式中，IQR是四分位距，用于表示所述第一四分位数Q1和第三四分位数Q3之间的差值，Q1是第一四分位数，Q2是第三四分位数；0017步骤S23：设置异常值阈值，具体为计算异常值下限阈值和异常值上限阈值，计算公式为：0018；0019式中，Amin是异常值下限阈值，Amax。

20、是异常值上限阈值，Q1是第一四分位数，Q2是第三四分位数，IQR是四分位距；0020步骤S24：异常值识别，具体为依据所述异常值阈值，识别所述阻值预测原始数据中电流历史参考数据超出阈值的数据点；0021步骤S25：异常值剔除，具体为将所述异常值识别中识别到的异常数据点剔除，得到阻值预测优化数据。0022进一步地，在步骤S3中，所述特征数据增强，用于提取数据特征并进一步增强特征数据，具体为采用热图相关矩阵、变化滤波器和递归特征消除的方法，对所述阻值预测优化数据进行特征数据增强，得到增强特征阻值预测数据，所述采用热图相关矩阵、变化滤波器和递归特征消除的方法，对所述阻值预测优化数据进行特征数据增强的。

21、步骤，包括：0023步骤S31：特征提取，具体为从所述阻值预测优化数据中，结合所述时间戳数据，采用时域特征提取方法进行特征提取，得到阻值预测特征数据；0024步骤S32：构建热图相关矩阵，用于可视化数据特征之间的相关性，具体为依据皮尔逊相关系数进行相关系数矩阵构建，并通过构建相关系数矩阵生成阻值预测数据热图，并依据所述阻值预测数据热图，生成得到热图相关矩阵；0025步骤S33：特征筛选，具体为依据所述热图相关矩阵，选取所述阻值预测特征数据中具有高相关性的特征子集，并剔除无关特征，得到阻值预测特征筛选数据；0026步骤S34：构建变化滤波器模型，用于增强特征信息，具体为依据所述阻值预测特征筛选数。

22、据，采用支持向量机模型，构建变化滤波器；0027步骤S35：变化滤波器响应计算，具体为对所述阻值预测特征筛选数据中的每个特征向量应用所述变化滤波器，并通过计算滤波器响应得到特征变化数据；说明书2/8 页6CN 117493982 A60028步骤S36：递归特征消除，具体为依据所述特征变化数据，采用递归特征消除方法，迭代删除最小权重特征，并重构特征数据集，得到阻值预测特征重构数据；0029步骤S37：特征数据增强，具体为通过所述特征提取、所述构建热图相关矩阵、所述特征筛选、所述构建变化滤波器模型、所述变化滤波器响应计算和递归特征消除，进行特征数据增强，得到增强特征阻值预测数据，所述增强特征阻值。

23、预测数据，包括电流密度特征、电压特征、阳极压力特征、阴极压力特征、阳极温度特征和器件整体温度特征。0030进一步地，在步骤S4中，所述阻值预测，用于进行氮化铝镓半导体的阻值预测，具体为采用结合长短期记忆的循环神经网络方法，依据所述增强特征阻值预测数据和所述阻值预测原始数据，进行阻值预测；0031所述结合长短期记忆的循环神经网络，包括输入门、遗忘门和输出门；0032所述输入门，用于确定存储在神经网络单元状态中的阻值预测特征信息；0033所述遗忘门，用于确定从单元状态中删除的阻值预测特征信息；0034所述输出门，用于确定当前时间的预测值输出；0035采用结合长短期记忆的循环神经网络方法，依据所述增。

24、强特征阻值预测数据和所述阻值预测原始数据，进行阻值预测的步骤，包括：0036步骤S41：构建输入门，计算公式为：0037；0038式中，it是输入门，t是时间步索引，sig()是S型激活函数，是输入门权重参数，是向量拼接运算符，ht1是上一时间步t1的隐藏状态，xt是当前时间步t的数据输入，bi是输入门的偏置参数；0039步骤S42：构建遗忘门，计算公式为：0040；0041式中，ft是遗忘门，t是时间步索引，sig()是S型激活函数，是遗忘门权重参数，是向量拼接运算符，ht1是上一时间步t1的隐藏状态，xt是当前时间步t的数据输入，bf是遗忘门的偏置参数；0042步骤S43：构建输出门，计算。

25、公式为：0043；0044式中，ft是输出门，t是时间步索引，sig()是S型激活函数，是输出门权重参数，是向量拼接运算符，ht1是上一时间步t1的隐藏状态，xt是当前时间步t的数据输入，bo是输出门的偏置参数；0045步骤S44：阻值预测模型训练，具体为通过所述构建输入门、所述构建遗忘门和所述构建输出门，进行阻值预测模型训练，得到阻值预测模型ModelRP；0046步骤S45：阻值预测，具体为使用所述阻值预测模型ModelRP，基于所述增强特征阻值预测数据和所述阻值预测原始数据，进行半导体阻值预测，得到半导体阻值预测数据。0047进一步地，在步骤S5中，所述半导体电阻值预测，用于评估模型性能。

26、，并采用预测模型进行半导体电阻值预测测试，具体为采用均方根误差分析、平均绝对误差分析和平均绝对百分比误差分析，进行模型预测性能评估计算，结合所述半导体阻值预测数据，得到半导体电阻值预测参考信息，所述半导体电阻值预测参考信息，具体包括半导体阻值预测值参考数据和半导体阻值预测模型性能评估数据。说明书3/8 页7CN 117493982 A70048本发明提供的一种基于机器学习的半导体电阻值预测系统，包括数据采集模块、数据预处理模块、特征数据增强模块、阻值预测模块、半导体电阻值预测模块；0049所述数据采集模块，用于数据采集，通过数据采集，得到阻值预测原始数据，并将所述阻值预测原始数据发送至数据预处。

27、理模块和阻值预测模块；0050所述数据预处理模块，用于数据预处理，通过数据预处理，得到阻值预测优化数据，并将所述阻值预测优化数据发送至特征数据增强模块；0051所述特征数据增强模块，用于特征数据增强，通过特征数据增强，得到增强特征阻值预测数据，并将所述增强特征阻值预测数据发送至阻值预测模块；0052所述阻值预测模块，用于阻值预测，通过阻值预测，得到半导体阻值预测数据，并将所述半导体阻值预测数据发送至半导体点阻值预测模块；0053所述半导体电阻值预测模块，用于半导体电阻值预测，通过半导体电阻值预测，得到半导体电阻值预测参考信息。0054采用上述方案本发明取得的有益效果如下：0055（1）针对在已。

28、有的半导体电阻值预测方法中，存在着数据中的噪声和异常值会阻碍模型训练并且限制模型性能，进而降低阻值预测的准确性的技术问题，本方案创造性地采用四分位距识别方法进行异常值剔除，优化了阻值预测训练数据的质量，为后续的预测任务提供良好的数据基础；0056（2）针对在已有的半导体电阻值预测方法中，存在着阻值预测任务中的特征信息繁杂，数据种类多样，相关性较弱的特征信息容易干扰模型预测的质量，需要选择更具代表性的特征数据的技术问题，本方案创造性地采用热图相关矩阵、变化滤波器和递归特征消除的方法进行特征数据增强，优化了特征选择，进一步提高了训练数据质量；0057（3）针对在已有的半导体电阻值预测方法中，存在着。

29、半导体阻值预测任务在进行机器学习预测模型构建时，需要参考先前的输入和算法记忆从而提高整体预测地可用性的技术问题，本方案创造性地采用结合长短期记忆的循环神经网络方法进行阻值预测，通过长短期记忆神经网络的单元状态特性实现算法记忆，并参考前一时序数据进行数据整体预测，提高了方法的整体可用性和精确性。附图说明0058图1为本发明提供的一种基于机器学习的半导体电阻值预测方法的流程示意图；0059图2为本发明提供的一种基于机器学习的半导体电阻值预测系统的示意图；0060图3为步骤S2数据预处理的流程示意图；0061图4为步骤S3特征数据增强的流程示意图；0062图5为步骤S4阻值预测的流程示意图。0063。

30、附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。具体实施方式0064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；基于说明书4/8 页8CN 117493982 A8本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。0065在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所。

31、示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。0066实施例一，参阅图1，本发明提供的一种基于机器学习的半导体电阻值预测方法，该方法包括以下步骤：0067步骤S1：数据采集；0068步骤S2：数据预处理；0069步骤S3：特征数据增强；0070步骤S4：阻值预测；0071步骤S5：半导体电阻值预测。0072实施例二，参阅图1和图2，该实施例基于上述实施例，在步骤S1中，所述数据采集，用于采集需预测的半导体电阻值的原始数据，具体为从氮化铝镓设备中，通过采集得到阻值预测原始数据，所述阻。

32、值预测原始数据，包括电流历史参考数据、氮化铝镓器件特性参数数据和时间戳数据，所述电流历史参考数据，包括电流密度数据、电压数据、阳极压力数据、阴极压力数据、阳极温度数据和器件整体温度数据。0073实施例三，参阅图1、图2和图3，该实施例基于上述实施例，在步骤S2中，所述数据预处理，用于对原始数据进行初步处理，具体为对所述阻值预测原始数据进行异常值剔除，具体为采用四分位距识别方法进行异常值剔除，得到阻值预测优化数据，所述采用四分位距识别方法进行异常值剔除的步骤，包括：0074步骤S21：计算四分位数，具体为通过采用统计学方法，计算得到所述阻值预测原始数据中电流历史参考数据的第一四分位数Q1、中位数。

33、Q2和第三四分位数Q3；0075步骤S22：计算四分位距，计算公式为：0076IQR=Q3Q1；0077式中，IQR是四分位距，用于表示所述第一四分位数Q1和第三四分位数Q3之间的差值，Q1是第一四分位数，Q2是第三四分位数；0078步骤S23：设置异常值阈值，具体为计算异常值下限阈值和异常值上限阈值，计算公式为：0079；0080式中，Amin是异常值下限阈值，Amax是异常值上限阈值，Q1是第一四分位数，Q2是第三四分位数，IQR是四分位距；0081步骤S24：异常值识别，具体为依据所述异常值阈值，识别所述阻值预测原始数据中电流历史参考数据超出阈值的数据点；0082步骤S25：异常值剔除，。

34、具体为将所述异常值识别中识别到的异常数据点剔除，得到阻值预测优化数据。0083通过执行上述操作，针对在已有的半导体电阻值预测方法中，存在着数据中的噪说明书5/8 页9CN 117493982 A9声和异常值会阻碍模型训练并且限制模型性能，进而降低阻值预测的准确性的技术问题，本方案创造性地采用四分位距识别方法进行异常值剔除，优化了阻值预测训练数据的质量，为后续的预测任务提供良好的数据基础。0084实施例四，参阅图1、图2、图4和图5，该实施例基于上述实施例，在步骤S3中，所述特征数据增强，用于提取数据特征并进一步增强特征数据，具体为采用热图相关矩阵、变化滤波器和递归特征消除的方法，对所述阻值预测。

35、优化数据进行特征数据增强，得到增强特征阻值预测数据，所述采用热图相关矩阵、变化滤波器和递归特征消除的方法，对所述阻值预测优化数据进行特征数据增强的步骤，包括：0085步骤S31：特征提取，具体为从所述阻值预测优化数据中，结合所述时间戳数据，采用时域特征提取方法进行特征提取，得到阻值预测特征数据；0086步骤S32：构建热图相关矩阵，用于可视化数据特征之间的相关性，具体为依据皮尔逊相关系数进行相关系数矩阵构建，并通过构建相关系数矩阵生成阻值预测数据热图，并依据所述阻值预测数据热图，生成得到热图相关矩阵；0087步骤S33：特征筛选，具体为依据所述热图相关矩阵，选取所述阻值预测特征数据中具有高相关。

36、性的特征子集，并剔除无关特征，得到阻值预测特征筛选数据；0088步骤S34：构建变化滤波器模型，用于增强特征信息，具体为依据所述阻值预测特征筛选数据，采用支持向量机模型，构建变化滤波器；0089步骤S35：变化滤波器响应计算，具体为对所述阻值预测特征筛选数据中的每个特征向量应用所述变化滤波器，并通过计算滤波器响应得到特征变化数据；0090步骤S36：递归特征消除，具体为依据所述特征变化数据，采用递归特征消除方法，迭代删除最小权重特征，并重构特征数据集，得到阻值预测特征重构数据；0091步骤S37：特征数据增强，具体为通过所述特征提取、所述构建热图相关矩阵、所述特征筛选、所述构建变化滤波器模型、。

37、所述变化滤波器响应计算和递归特征消除，进行特征数据增强，得到增强特征阻值预测数据，所述增强特征阻值预测数据，包括电流密度特征、电压特征、阳极压力特征、阴极压力特征、阳极温度特征和器件整体温度特征。0092通过执行上述操作，针对在已有的半导体电阻值预测方法中，存在着阻值预测任务中的特征信息繁杂，数据种类多样，相关性较弱的特征信息容易干扰模型预测的质量，需要选择更具代表性的特征数据的技术问题，本方案创造性地采用热图相关矩阵、变化滤波器和递归特征消除的方法进行特征数据增强，优化了特征选择，进一步提高了训练数据质量。0093实施例五，参阅图1和图2，在步骤S4中，所述阻值预测，用于进行氮化铝镓半导体的。

38、阻值预测，具体为采用结合长短期记忆的循环神经网络方法，依据所述增强特征阻值预测数据和所述阻值预测原始数据，进行阻值预测；0094所述结合长短期记忆的循环神经网络，包括输入门、遗忘门和输出门；0095所述输入门，用于确定存储在神经网络单元状态中的阻值预测特征信息；0096所述遗忘门，用于确定从单元状态中删除的阻值预测特征信息；0097所述输出门，用于确定当前时间的预测值输出；0098采用结合长短期记忆的循环神经网络方法，依据所述增强特征阻值预测数据和所述阻值预测原始数据，进行阻值预测的步骤，包括：说明书6/8 页10CN 117493982 A100099步骤S41：构建输入门，计算公式为：01。

39、00；0101式中，it是输入门，t是时间步索引，sig()是S型激活函数，是输入门权重参数，是向量拼接运算符，ht1是上一时间步t1的隐藏状态，xt是当前时间步t的数据输入，bi是输入门的偏置参数；0102步骤S42：构建遗忘门，计算公式为：0103；0104式中，ft是遗忘门，t是时间步索引，sig()是S型激活函数，是遗忘门权重参数，是向量拼接运算符，ht1是上一时间步t1的隐藏状态，xt是当前时间步t的数据输入，bf是遗忘门的偏置参数；0105步骤S43：构建输出门，计算公式为：0106；0107式中，ft是输出门，t是时间步索引，sig()是S型激活函数，是输出门权重参数，是向量拼接。

40、运算符，ht1是上一时间步t1的隐藏状态，xt是当前时间步t的数据输入，bo是输出门的偏置参数；0108步骤S44：阻值预测模型训练，具体为通过所述构建输入门、所述构建遗忘门和所述构建输出门，进行阻值预测模型训练，得到阻值预测模型ModelRP；0109步骤S45：阻值预测，具体为使用所述阻值预测模型ModelRP，基于所述增强特征阻值预测数据和所述阻值预测原始数据，进行半导体阻值预测，得到半导体阻值预测数据；0110通过执行上述操作，针对在已有的半导体电阻值预测方法中，存在着半导体阻值预测任务在进行机器学习预测模型构建时，需要参考先前的输入和算法记忆从而提高整体预测地可用性的技术问题，本方案。

41、创造性地采用结合长短期记忆的循环神经网络方法进行阻值预测，通过长短期记忆神经网络的单元状态特性实现算法记忆，并参考前一时序数据进行数据整体预测，提高了方法的整体可用性和精确性。0111实施例六，参阅图1和图2，该实施例基于上述实施例，在步骤S5中，所述半导体电阻值预测，用于评估模型性能，并采用预测模型进行半导体电阻值预测测试，具体为采用均方根误差分析、平均绝对误差分析和平均绝对百分比误差分析，进行模型预测性能评估计算，结合所述半导体阻值预测数据，得到半导体电阻值预测参考信息，所述半导体电阻值预测参考信息，具体包括半导体阻值预测值参考数据和半导体阻值预测模型性能评估数据。0112实施例七，参阅图。

42、1和图2，该实施例基于上述实施例，本发明提供的一种基于机器学习的半导体电阻值预测系统，包括数据采集模块、数据预处理模块、特征数据增强模块、阻值预测模块、半导体电阻值预测模块；0113所述数据采集模块，用于数据采集，通过数据采集，得到阻值预测原始数据，并将所述阻值预测原始数据发送至数据预处理模块和阻值预测模块；0114所述数据预处理模块，用于数据预处理，通过数据预处理，得到阻值预测优化数据，并将所述阻值预测优化数据发送至特征数据增强模块；0115所述特征数据增强模块，用于特征数据增强，通过特征数据增强，得到增强特征阻值预测数据，并将所述增强特征阻值预测数据发送至阻值预测模块；0116所述阻值预测。

43、模块，用于阻值预测，通过阻值预测，得到半导体阻值预测数据，并说明书7/8 页11CN 117493982 A11将所述半导体阻值预测数据发送至半导体点阻值预测模块；0117所述半导体电阻值预测模块，用于半导体电阻值预测，通过半导体电阻值预测，得到半导体电阻值预测参考信息。0118需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还。

44、包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。0119尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。0120以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。说明书8/8 页12CN 117493982 A12图1说明书附图1/5 页13CN 117493982 A13图2说明书附图2/5 页14CN 117493982 A14图3说明书附图3/5 页15CN 117493982 A15图4说明书附图4/5 页16CN 117493982 A16图5说明书附图5/5 页17CN 117493982 A17。