关键词： 晶圆图   缺陷模式识别   ResNeSt50   注意力机制   决策融合  

摘要： 晶圆制造是半导体行业的关键环节,晶圆生产精度要求高、工序繁琐复杂,制造中产生缺陷不可避免。晶圆缺陷因其成因而呈现不同的图像特征,且图像特征抽象多变,传统的机器学习检测效果受限。为提高晶圆图缺陷模式识别准确率,更好地识别晶圆缺陷,本文基于多注意力机制的ResNeSt方法对晶圆图缺陷模式识别进行研究。主要研究内容如下: (1)针对晶圆缺陷图特征抽象且多变的问题,提出了一种基于改进ResNeSt50的晶圆图缺陷模式识别方法。该方法在深度残差网络Res Net50网络中引入分散注意力机制,并在分散注意力机制中改进了激活函数,设计了Hswish-ResNeSt50网络模型。该模型利用分散注意力机制强大的通道间信息交互能力,充分学习晶圆缺陷图特征,并利用H-swish激活函数,避免模型训练时产生的梯度爆炸、梯度消失等问题,提高了晶圆图缺陷模式识别准确率。为进一步提高网络对晶圆缺陷图重要信息的学习能力,在ResNeSt50网络模型残差块内嵌入注意力机制方法。该方法通过在HswishResNeSt50网络不同卷积层的残差块中添加通道注意力机制SENet、卷积注意力机制CBAM,设计了Hswish-ResNeSt50-BSE、Hswish-ResNeSt50-BC两种网络模型,以研究添加注意力机制的网络对晶圆缺陷图特征识别能力的影响。 在WM-811K晶圆图数据集上的实验结果表明,Hswish-ResNeSt50网络模型可以更好地学习晶圆缺陷特征,有更强的特征学习能力,提高了晶圆缺陷模式识别分类能力,在准确率上达到了98.09%,相比Res Ne Xt50网络模型,提高了2.81%。同时,将CBAM添加在Hswish-Res Ne Xt50网络第4卷积层内残差块的Hswish-ResNeSt50-BC4的实验效果最好,准确率有了进一步提高,达到了98.13%。 (2)针对网络无法关注晶圆图中有效信息的问题,提出了一种基于多注意力机制及决策融合的ResNeSt50晶圆图缺陷模式识别方法。该方法通过在HswishResNeSt50网络卷积层之间引入CBAM和自注意力机制,设计了Hswish-ResNeSt50-LC、Hswish-ResNeSt50-LS和Hswish-ResNeSt50-LCS三种网络模型,进一步增强网络模型对空间、通道和长距离关系的学习能力。为进一步提高网络对晶圆缺陷的识别能力,提出了基于多注意力机制决策融合的网络模型识别分类方法。该方法融合晶圆图缺陷识别效果相对较好的Hswish-ResNeSt50-LC3网络模型、Hswish-ResNeSt50-LCS3网络模型和Hswish-ResNeSt50-LCS4网络模型,充分利用各个网络模型在识别不同的晶圆缺陷类型上优势,提高对不同晶圆缺陷的特征学习能力,进一步提高网络对不同晶圆图缺陷的识别准确率。 在WM-811K晶圆图数据集上的实验结果表明,Hswish-ResNeSt50-LC、HswishResNeSt50-LS和Hswish-ResNeSt50-LCS三种网络模型能够关注晶圆图重要特征并抑制噪声特征,提高晶圆图缺陷模式识别准确率。同时得到在Hswish-ResNeSt50网络模型不同卷积层引入注意力机制后效果最佳的三种网络模型:Hswish-ResNeSt50-LC3、Hswish-ResNeSt50-LCS3和Hswish-ResNeSt50-LCS4,这三种网络模型的准确率分别达到了98.21%、98.18%、98.21%。为进一步提升网络模型缺陷识别能力,利用决策融合策略,将表现最佳的三种模型进行融合,准确率最高达到98.86%,与融合前最好的网络模型相比,提高了0.65%。

关键词： 分布式光纤传感   模式识别   机器学习   特征融合  

摘要： 传统的安防系统主要依赖于视觉侦察、红外线照射和电子围栏等手段来监控入侵行为,但这些传统的防卫应对策略却有着较弱的抗电磁干扰能力、检测范围小、维护费用较高等问题。而光纤分布式传感技术凭借经济性和连续性等特点,已经广泛应用于长距离管线、边境线及周界安防监测等领域。然而,目前的安防入侵检测系统仍然存在着识别精度低、误报率高等问题。为了解决这一挑战,本论文开展分布式光纤传感入侵信号的模式识别研究,并提出一种高效、快速且准确识别多种入侵事件的深度学习算法。具体研究内容如下: (1)首先概述研究的背景与意义,通过对光纤传感周界安防领域进行深入调研,全面总结了特征提取和模式识别的最新进展。随后,详细探讨光的散射原理,对干涉仪和基于光时域反射仪方案进行了比较,并详细介绍了基于φ-OTDR的DAS系统的传感原理、系统结构以及主要性能参数,为进一步的DAS系统模式识别研究提供了理论基础。 (2)搭建分布式光纤传感周界安防系统,采集无威胁背景、敲击、攀爬、电钻、下雨、大风等六类典型安防事件的数据,建立DAS光纤信号数据库。对这些数据进行归一化、分帧、去噪等预处理操作,有效消除了内部和外部环境背景的干扰。 (3)研究光纤传感入侵信号的识别方法,针对DAS系统采集到的高采样率长序列信号数据识别精度低的问题,提出一种基于特征融合的CDIL-CBAM-Bi LSTM网络模型。模型采用改进后的循环扩张卷积神经网络(CDIL-CNN)从每个信号节点处提取详细的时间结构信息,然后以特征融合的方式结合双向长短时记忆网络(Bi-LSTM)对数据进行更深层次的挖掘。此外,为了提升信号的特征提取能力,我们设计了卷积块注意力模块(CBAM)来优化模型的性能。为了提升模型的识别效果,通过实验对比选择了合适的Adam优化算法和Leaky Re LU激活函数。基于5040个训练样本和2160个测试样本的实验结果表明,所提出的模型对周界安防情景下的无威胁背景、敲击、攀爬、电钻、下雨和大风六种真实扰动事件的识别精度分别达到:100%、98%、100%、99%、95%、100%,平均识别精度可以达到99%以上,且识别时间小于2毫秒。此外,与CNN-CBAM-LSTM、AF-CNN、1-D CNN+Dense Net等其他光纤传感领域模式识别方法相比,本文提出的方法实现了较高的识别精度,并且可以推广到其他领域,例如管道安全监测等。 (4)在周界安防试验现场,针对现场实际情况,开展基于分布式光纤传感技术的周界安防信号识别应用,采用挂网和地埋的方式敷设光缆,采集包括滚石、攀爬、人走、挖掘、抛物和无人机入侵等六类现场事件数据,并对这些数据进行预处理,制作数据集。实验结果表明,本文提出的方法可以有效地识别入侵事件,实现了长距离周界安全监测。

关键词： 高压电缆   局部放电   T-F MAP信噪剥离   模式识别   卷积神经网络  

摘要： 城市高压电缆发生局部放电时会导致绝缘体逐渐劣化,从而导致电气击穿,严重情况下会对人民生命财产安全造成威胁。局部放电是城市中高压电缆缺陷的重要指标。因此检测电缆局部放电,特别是在早期阶段,有利于保障电网资产的可靠性和安全性。本文针对当前电缆故障诊断方法存在的时间长、易受干扰等问题,提出了一种基于超高频技术的电缆在线监测技术。本文旨在利用这一技术方案,有效屏蔽电磁干扰和噪声干扰,从而更准确地检测电缆故障信号。 本文首先研究了电缆局部放电的基本原理,介绍了目前常用的局部放电检测方法,对检测过程中可能遇到的干扰情况进行研究。 其次,通过T-F MAP信噪剥离技术分别提取局部放电脉冲信号和干扰,获得局部放电脉冲的Sub-PRPD图谱及其时频域特征值。通过采集大量局部放电信号,对“同质脉冲簇”进行对比,建立模拟四类具有代表性绝缘缺陷的Sub-PRPD图谱和时频域特征样本库,为后续不同种类绝缘缺陷的识别提供训练样本。 基于T-F MAP信噪剥离技术获得局部放电脉冲的特征量和Sub-PRPD图谱,将特征量等效波长和特征频率分别作为BP神经网络的输入,提出基于BP神经网络的局部放电模式识别方法,实现沿面、内部、电晕和电树枝四种放电模式的识别;然后基于局部放电脉冲的Sub-PRPD图谱,提出基于多尺度卷积神经网络的局部放电模式识别方法。利用T-F MAP同种放电特征一致,不同放电间特征差异性较大的特点,采用基于BP神经网络和卷积神经网络的联合模式识别框架,可以准确区别出不同的放电类型,且具有较强的鲁棒性。 本文最后基于局部放电信号的Sub-PRPD图谱及时频域特征数据集,采用基于BP神经网络和卷积神经网络的联合模式识别方法,提高电缆不同类型局部放电信号的模式识别准确度。实验结果表明模式识别准确度达到了99.01%,该方法适用于城市高压地下电缆不同局部放电类型的模式识别。

关键词： 慢性焦虑   昼夜节律   生理识别模型   机器学习   动态心电  

摘要： 焦虑源于对潜在威胁的过度担忧与不安,其外在表现是行为上的回避反应以及生理上的应激反应。当焦虑反应持续存在,导致显著的痛苦体验和认知行为功能受损时,将对个体身心健康产生危害。近年来,焦虑发展为焦虑障碍的趋势越发严峻,不仅危害大众身心健康,而且带来社会经济发展的沉重负担。因此,及时检测焦虑显得尤为重要,有助于及时干预和调节焦虑,阻断其发展为精神障碍的风险。 目前信息科学领域对焦虑的研究多见实验控制条件下诱发急性焦虑的识别,或者焦虑障碍的识别,少有对日常生活慢性焦虑的识别研究。因此,本文研究日常生活自然情境下慢性焦虑特异神经生理机制的量化表达,并在此基础上用机器学习方法构建慢性焦虑生理识别模型。论文的研究内容和结果如下: (1)研究了日常非控制场景下多被试连续多天生理数据采集、有/无慢性焦虑的数据标签标定、慢性焦虑特异神经生理反应的量化表达。在日常生活自然情境中采集了109名健康大学生620天的全天动态心电和三轴加速度数据。根据通用焦虑自评量表以及被试回访,将被试及其生理数据分为慢性焦虑组和无慢性焦虑组。用全天动态心电中的心跳间期序列表达自主神经活动信息,并用三轴加速度去趋势高频分量表达身体活动信息。将全天分为153个时隙,在每个时隙中提取心跳间期序列的32个信号参数和加速度序列的3个信号参数,用于表达自主神经生理和身体活动的昼夜节律。分别在每个时隙对每个生理特征进行有/无慢性焦虑样本分布的组间差异统计检验,并用全天153个时隙内的生理特征样本盒型图分布直观量化慢性焦虑特异神经生理机制,结果显示慢性焦虑主要在“昼-夜”和“夜-昼”节律转换前体现出显著神经生理改变。 (2)研究了“昼-夜”节律转换阶段慢性焦虑的生理识别模型构建。建立了104名被试合计455天份晚上23:55-24:00时隙内慢性焦虑生理数据集。使用基于特征重要性阈值的特征选择方法在35个初始特征中选出最佳特征子集,使用极端梯度提升机、轻量级梯度提升机和随机森林对该阶段慢性焦虑进行模式识别,使用独立于模型训练的测试集测试模型的泛化性能。极端梯度提升机获得了三种分类器中最佳的F1分数(74.93%),三种分类器特征选择前后模型性能变化均在4.2%以内,识别准确率变化在2.1%以内。结果表明,“昼-夜”节律转换阶段慢性焦虑的生理识别模型能以远大于随机猜测的准确率检测出夜节律前的焦虑,有利于为被测对象及时推送放松训练,以缓解睡前焦虑,促进快速入睡。 (3)研究了基于昼夜节律全过程的慢性焦虑生理识别模型构建。将生理特征的每个全天数据样本表示为29×153二维数据矩阵,应用引入有效通道注意力机制的卷积神经网络对有/无慢性焦虑标签的620天份数据进行分类,在独立测试集中获得了83.97%的F1分数。结果表明,论文构建的神经网络模型能较好地量化计算慢性焦虑的全天生理信息,达到了远高于随机猜测的慢性焦虑识别效果。

关键词： 甘松   HPLC   指纹图谱   绿原酸   丁香酸   蒙花苷   甘松新酮   马兜铃酮   化学模式识别  

摘要： 目的 建立不同产地甘松Nardostachys jatamansi的HPLC指纹图谱及多成分含量测定方法，并结合化学模式识别法探究不同产地甘松化学成分差异，评价不同产地、不同批次甘松药材的质量。方法 采用HPLC法建立甘肃、青海、四川16批次甘松的指纹图谱，并对指标成分进行含量测定。进行相似度评价结合聚类分析（cluster analysis,HCA）、主成分分析（principal component analysis,PCA）和正交偏最小二乘法-判别分析（orthogonal partial least squares-discriminant analysis,OPLS-DA）等模式识别技术进行分析。结果 16批次甘松HPLC指纹图谱共匹配到60个共有峰，通过与对照品比对，指认出绿原酸、丁香酸、蒙花苷、甘松新酮、马兜铃酮5个色谱峰，指纹图谱相似度范围为0.943～0.999。16批次甘松样品中绿原酸、丁香酸、蒙花苷、甘松新酮、马兜铃酮含量测定变化范围分别为1.046 5～4.975 3、0.028 4～0.108 7、0.016 7～0.157 4、7.442 1～37.869 1、0.673 7～4.306 5 mg/g,5种成分在不同产地间均具有显著性差异。HCA将16批次甘松分为3类；PCA得不同批次甘松质量差异较大；经OPLS-DA筛选出了绿原酸、丁香酸、甘松新酮、马兜铃酮等31个差异成分。指纹图谱综合评价结果表明S4、S7、S10甘松样本质量较好。结论 确定了绿原酸、丁香酸、甘松新酮、马兜铃酮4种指标成分作为评价甘松质量差异的潜在标志性成分，建立的甘松HPLC指纹图谱及多成分含量测定方法稳定、可靠，可为甘松药材的质量控制、综合评价和临床应用的有效性提供科学依据。

关键词： 极性梯度萃取   天然香料   功能香基   GC-MS   化学计量学  

摘要： 随着人们对生活品质追求的提高,由天然香料配制的香基被广泛应用于食品、化妆品和医药行业,而配制香基的天然香料种类繁多,特征成分复杂,导致香基配方溯源具有挑战性。因此,开发一项新技术用于香基配方的解析具有重要意义。本文采用极性梯度萃取,结合GC-MS和化学计量学模式识别方法解析15种天然香料的特征成分,用于4种香基配方的溯源研究。基于相似相溶原理,用5种不同极性溶剂构建了最佳梯度萃取体系,通过GC-MS获得15种天然香料的成分信息。采用主成分分析(PCA),层次聚类分析(HCA),偏最小二乘辨别分析(PLS-DA)和正交偏最小二乘辨别分析(OPLS-DA)对15种天然香料进行分析,构建特征成分数据库,并对4种香基配方进行溯源研究。主要研究工作和结果如下: (1)构建极性梯度萃取体系,提取15种天然香料的化学成分。首先选择正己烷、甲基叔丁基醚、1,2-二氯乙烷、乙酸正丁酯和正丁醇5种不同极性的溶剂,采用单因素优化方法研究萃取剂和萃取梯度的设置、萃取时间、萃取相比对天然香料成分信息提取效果的影响。最终确定萃取温度5℃,萃取时间30 min,萃取相比1:1(v:v)为最佳萃取条件,构建极性梯度萃取体系提取15种天然香料以及4种香基的化学成分。 (2)利用化学计量学模式识别获取15种天然香料的特征成分,建立特征成分数据库。首先,对15种天然香料获得的所有化学成分进行PCA和HCA分析,两者方法结果类似,均显示45个样本可被清晰分为15类,其中蒲公英与缬草根酊的化学成分与其它天然香料差异较大。其次,通过建立具有良好拟合参数的PLSDA或OPLS-DA模型提取特征成分,筛选出VIP>1的物质,再对这些提取出来的物质进行方差分析,最终选取VIP>1,p<0.05,且为此天然香料中唯一存在的物质为特征物质,共筛选出203种物质建立了15种天然香料特征成分数据库。 (3)4种功能香基的溯源研究。利用构建的极性梯度萃取体系获得不同质量浓度的4种功能香基的化学成分。结果表明,在质量浓度为75%和90%时,香基A、B、C和D分别获得133和166、172和141、186和215以及203和143种成分。相同的香基,不同质量浓度下的化合物类型和数量存在一定差异。化学计量学模式识别方法可以捕捉到大量的痕量成分信息,通过与特征成分数据库的物质建立具有良好拟合参数的PLS-DA或OPLS-DA模型,消除浓度变化造成的干扰,最终正确率均达75%以上,成功溯源香基配方。

关键词： 交通模式识别   时序卷积网络   多头注意力机制   知识蒸馏   轻量级网络  

摘要： 随着科学技术快速进步,公共交通迅速发展,人们的出行方式呈现出愈发复杂和多样态势。伴随着智能手机在日常出行中的普及,利用其内置轻量级传感器进行交通模式识别已成为近些年学术研究的新焦点。这对于城市道路规划和交通流量预测等领域具有重要影响。 目前在交通模式识别算法中,深度学习算法表现出较好的识别性能。与传统的机器学习算法相比,深度学习算法不需要手工进行特征的提取,不需要掌握先验知识,能够自主地进行特征的捕捉。虽然深度学习算法在交通模式识别领域已显示出优越的性能,但是其在识别精度、模型结构复杂和推理时间长等方面仍存在很大研究空间。本文从提高识别精度和简化模型复杂度这两个方面分别建立了TCMH模型和CNFC-KD模型研究交通模式识别问题,主要研究内容如下: 针对识别精度问题,本文建立了一种基于多头注意力机制与时序卷积网络相结合的交通模式识别模型TCMH。该模型通过时序卷积网络捕捉时间序列数据中的长期依赖关系,优化特征信息挖掘;同时,残差连接的引入有效防止了梯度消失或爆炸。多头注意力机制的应用,能够在多个特征子空间中进行精细的注意力分配,经过整合后得到更合理的注意力权重分布,从而提升模型的识别精度。在SHL和HTC数据集上的大量实验,实验验证了模型的优越性,与基线算法相比,准确率最高,分别高达90.25%和89.55%。从精确率、召回率及F1分数来看,该模型对八类交通模式也表现出良好的识别效果。 针对模型结构复杂、移动终端部署困难的问题,本文建立了一种基于知识蒸馏的轻量级交通模式识别模型CNFC-KD。设计了一个轻量级网络模型,该模型以卷积网络和全连接网络为基础,结构简洁,参数量少,推理速度快。采用基于结果的知识蒸馏策略,以复杂的多头注意力时序卷积网络模型作为教师模型,轻量级模型作为学生模型,通过师生学习架构实现知识传递。实验结果表明,与教师模型相比,CNFC-KD模型在SHL数据集上的参数量减少了74.11%,推理时间缩短了91.72%,而准确率仅降低了2.05%;在HTC数据集上,参数量减少了78.36%,推理时间缩短了90.91%,准确率下降了1.05%。这表明,该模型在只轻微牺牲识别准确率的情况下,显著降低了参数量和推理时间,结构更简单,更易于在计算能力有限、存储空间受限的移动终端上部署。