晶圆切割和随机缺陷驱动的掩模设计方法

针对现有掩模设计方法的不足,提出了同时考虑晶圆切割和随机缺陷的掩模设计方法.在预估边到边晶圆切割引起的成品率丢失的同时,将随机缺陷引起的成品率丢失也纳入了设计参考量.对掩模上芯片进行布局规划的阶段,使那些由于随机缺陷造成成品率丢失较高的芯片在布局规划的目标函数中拥有较大的权重.这些芯片会在模拟退火算法迭代的过程中被自动放置在相应的与其他芯片较少切割冲突的位置,避免了后期晶圆切割对其产量造成的损失.此方法均衡了芯片之间的产量,在满足各个芯片需要产量的前提下,减少了生产所需的晶圆数量.与最小化掩模面积的设计方法和只考虑晶圆切割的设计方法比较,该方法使生产所需要的晶圆数量分别减少了15.22%和7.14%.     

基于多水平模型的专业满意度因素测评研究

针对本科专业教学满意度影响因素的测评问题,提出利用多水平模型的影响因素方法进行分析;本科专业教学满意度影响因子的数据具有学生个体、专业系部、学院以及学校组织的嵌套结构,不满足传统一般回归模型的独立性条件,其建模需要采用适用于嵌套结构数据的多水平模型进行拟合分析;基于一手资料和二手资料的收集整理,构建本科专业教学满意度综合评价体系,由此建立满意度影响因素的多水平模型并进行分析,根据模型分析结论,对本科专业教学满意度提高提出针对性的建设性意见和对策。     

基于逻辑回归的企业二次创业金融数据分类方法研究

企业二次创业金融数据的优化分类能提高数据的统计分析能力,提出基于逻辑回归的企业二次创业金融数据分类方法,采用自适应无监督学习的方法进行数据统计的融合处理,构建数据分布的不规则空间聚类模型,采用相空间结构重组方法进行数据的模糊特征重构,提取企业二次创业金融数据的关联规则特征量,采用逻辑回归分析方法进行数据分类的融合聚类处理,结合模糊C均值聚类方法,实现对数据分类的自适应寻优和收敛性控制,实现数据分类优化。仿真结果表明:采用该方法进行企业二次创业金融数据分类的准确性较高,收敛性较好,特征聚类能力较强。     

基于广义非线性混合效应的华北落叶松天然次生林枝下高模型

【目的】立木枝下高模型的构建是森林经营的核心内容,利用非线性混合效应模型方法构建华北落叶松枝下高模型,可为森林生长与收获研究提供理论依据。【方法】基于112块华北落叶松天然次生林样地单木数据,从7个备选的枝下高-树高模型中选出一个最优基础模型; 分析9个不同单木或林分因子及其因子之间的组合对枝下高的影响,将影响显著的因子作为模型预测变量以提高模型精度。在此基础上,考虑区组以及嵌套在区组里的样地对枝下高的影响,即构建嵌套两水平的非线性混合效应枝下高模型。【结果】Logistic模型预测精度较高并且模型参数可解释,因此选为基础模型。除树高之外,立木胸径、样地内所有大于对象木胸径的立木断面积总和、平均冠幅和林分密度与枝下高相关显著,故作为模型预测变量。与传统模型相比,所构建的两水平嵌套非线性混合效应模型对应的决定系数提高了53.26%,均方根误差降低了24.73%,因此明显提高了模型预测精度。【结论】区组和嵌套在区组里的样地对立木枝下高随机干扰较大,当考虑这些随机效应对枝下高的影响时能明显提高模型的预测精度。     

一种基于PSO-SVR的软件可靠性评估方法

软件可靠性建模时,如果简单地利用支持向量回归机制建模,就有可能由于支持向量回归(SVR)自身参数选择难以及实验数据本身的不确定性,从而导致预测结果不理想、精度低等缺陷。因此,借鉴粒子群优化算法(PSO)多参数寻优的优势,将PSO与SVR优化算法相结合,利用分层聚类算法对初始实验数据进行归一化处理,剔除异常数据,构建基于PSO-SVR的软件可靠性评估方法,从而提高软件模型的预测精度。实验结果表明,基于PSO-SVR方法的预测模型其预测精度高,更适应实际软件应用环境。     

基于Fisher聚类的公交客流量时间序列预测及对比

公交客流量预测是城市公共交通管理的基础,科学的客流量预测能够为公交系统管理和路线调整提供可靠依据。考虑到公交客流量的波动差异性以及预测的复杂性,首先利用Fisher算法对原始数据聚类,并依时段划分为六种类型;然后选择自回归差分移动平均模型以及季节性自回归差分移动平均模型两种方法开展公交客流量的预测,并以广州市公交客流量数据进行实证分析,最后计算两种模型的平均绝对误差和平均绝对百分比误差,对比分析基于聚类数据的两模型预测效果的优劣。结果发现:基于Fisher聚类数据,季节性自回归差分移动平均模型的预测效果较好,且比数据未聚类前对应模型预测的效果更优。     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

基于K-means聚类组合模型的公交线路客流短时预测

预测公交线路短时客流是实现公交动态调度的关键技术.文中通过分析客流特性,构建了基于K-means聚类算法的组合预测模型.首先利用K-means算法将短时客流数据按照时变特征的相似度划分为不同聚类,然后为每类客流数据分别建立最小二乘支持向量机、BP神经网络、自回归滑动平均模型,并考虑天气因素的影响,用遗传算法优化模型参数,对比预测结果,从中选择每个聚类的最佳预测模型构成组合模型.最后以长沙市104路公交客流数据作为实例进行预测分析,结果显示:客流数据时变特征对模型具有选择性,K-means聚类组合模型能够更好地根据不同时段客流数据的时变特征进行分类,因而有利于提高预测绩效;考虑了天气因素的K-means聚类组合模型能进一步提高公交线路的短时预测绩效.     

基于随机森林优化的自组织神经网络算法

针对基于降维的神经网络分类器预测模型在分析过程中存在特征丢失, 并导致精度下降的问题， 提出一种基于随机森林算法优化的多层感知器(MLP)回归预测模型. 该优化模型通过在MLP回归模型网络的全连接层和逻辑回归层之间增加一个优化机制, 利用随机森林算法对隐藏层状态的优化实现改进, 从而解决了降维过程中神经网络丢失数据特征的问题. 在借贷客户信息数据集上的实验结果表明, 该模型在保证主要特征的同时大幅度提升了预测准确率, 证实该模型在特征工程中具有较高的实用性.     

过程混合的高斯过程模型混合采样推理

提出了基于Dirichlet过程混合的高斯过程模型揭示复杂动态系统结构数据的多态性的内在机制.针对均值结构与协方差结构稀疏性的差异性,设计了参数先验与非参数先验来构建基于Polya urn与过松弛层采样的混合采样框架体系.该混合采样方案不但能够在统一的Metropolis Hasting(M H)概率评价准则下实现,而且能够最大限度地克服高斯随机走步的缺陷,方便、快速地获得马尔科夫样本链的展开.仿真结果表明,混合采样算法比高斯过程回归模型及高斯过程函数回归混合模型具有更广泛的适应性及更好的预测效果.     

面向产品设计结构的聚类分层分析

提出面向产品设计结构的聚类分层分析方法。首先应用矩阵方法实现产品设计结构的聚类分层,然后应用模糊设计结构矩阵对模块内的零部件进行撕裂运算,得到模块内的零部件影响度和零件主次交互关系,从而实现对产品设计结构特性的分析预测,最后,以某型号冰箱产品设计结构为例,对该型号冰箱整体设计结构进行分析,得到该冰箱设计结构层级特征以及模块内零部件间的层级划分。     

软聚类节点分裂层次模型

针对分类决策树算法存在的结构冗余及误差迁移问题，提出了软聚类节点分裂层次模型.通过叶子节点处决策模型构建以及软聚类节点分裂方法，实现对样本空间的高效划分，生成精简的层次结构模型.利用层次结构判别方法，从层次结构模型叶子节点到根节点对样本进行加权求和预测，降低模型结构对判定效果的影响，提高模型对判别误差的调节能力.对比了CART、ID3、C4.5共3种分类算法，该方法构建的模型结构简单，在两个数据集上均有最好的分类效果，F₁-measure分别为0.53和0.38.说明软聚类节点分裂层次模型能够避免冗余结构，缓解误差迁移问题.      

系统结构缺陷分层预测方法

为解决缺陷预测中的缺陷分类问题, 提出了分层式缺陷预测模型。通过对缺陷特征的分析建立了缺陷特征预测方法, 使具有相似特征的缺陷形成相似特征缺陷簇。给出了相似特征缺陷簇间关联关系预测方法, 构建了缺陷关联关系预测模型, 使具有强关联关系的相似特征缺陷簇再次成簇, 从而达到缺陷预测的目的。实验结果表明, 在缺陷成簇密度、 成簇数量及成簇客观性方面, 该系统结构缺陷分层预测方法好于K-means算法。     

基于Logit和KMV的我国上市公司信用风险的比较研究

利用Logit回归模型和KMV模型分别对选取的29家我国上市公司样本的信用风险进行实证分析和比较。结果表明,两个模型基本上都能反映上市公司的信用状况,虽然KMV模型对非违约样本组的预测结果要优于Logit模型,但是在违约公司样本组的预测上,Logit模型要远比KMV模型准确。从总体效果来看,Logit模型的预测准确性要高于KMV模型。     

基于Logistic回归模型的红松立木腐朽分级预测

【目的】红松活立木在生长过程中极易受到各种生物的侵袭,其中木腐菌造成的腐朽是最为广泛和严重的危害之一,活立木腐朽将会造成木材资源的损失,降低木材的力学性能。为了监测红松活立木的健康状况,减少因腐朽引起的相关损失,须定期检测红松活立木腐朽状况,并采用腐朽分级的方法进行评估。【方法】使用阻抗仪和电阻断层成像技术(ERT)两种无损检测手段对黑龙江省五营国家森林公园内的红松活立木进行检测,并在检测截面使用生长锥钻取木芯。将野外测量数据导入电脑,获取立木的阻力曲线和电阻断层图像,分析处理微针阻力的下降幅度,得到样木的阻力损失;根据立木心材与边材腐朽在ERT图像上呈现的不同特征,首次采用一种基于OpenCV的图像处理技术识别腐朽样木电阻断层图像缺陷部分,实现了心材和边材缺陷面积的定量表征;采用烘干法测定质量损失率,根据每株样木的质量损失率将所有样木分为5个腐朽等级。将多分类有序因变量的Logistic回归分析引入到立木腐朽程度分级问题中,以阻力损失、心材缺陷面积比和边材缺陷面积比为自变量,腐朽等级为因变量,建立腐朽分级预测模型。检验模型的有效性、拟合优度及预测能力。【结果】Logistic回归模型性能良好,五营国家森林公园30株红松样木的综合预测准确率为86.67%,各等级预测准确率分布不均,高等级腐朽的预测准确率相对较高。【结论】运用提取心材与边材腐朽的方法处理ERT图像,有效地提高了利用ERT图像识别腐朽的准确率。建立Logistic回归模型可以较准确地预测出立木腐朽的等级,较之烘干法测定腐朽程度,其腐朽评估效率有了明显提高,且对立木损伤更小。     

特高拱坝变形监测的分区及其模型构建方法

面板数据模型考虑了测点间的联系和异质性,引入面板数据模型构建特高拱坝的分区安全监测模型。通过实测温度的主成分分析,筛选得到典型实测温度变量;融合主成分分析和层次聚类法,提出基于监测时间序列的变形测点分区方法;以此建立各分区面板数据,通过检验确定面板数据模型类型,构建基于实测温度的分区变形测点的回归模型;通过分区及其回归模型的截距项、变量系数等的对比分析,识别各分区及坝体空间变形特征。以初期运行期的某特高拱坝为例,将研究测点分为4个区,构建各分区的固定效应回归模型。结果表明,坝体变形符合客观规律,封拱后坝体非稳定温度场、初期运行期时效等因素对坝体变形影响明显。     

数据挖掘在中观交通仿真器模型研究中的应用

为克服经典速度-密度模型刻画道路交通流动态变化特性的缺陷,将更丰富的路段检测信息运用到中观交通仿真模型参数的标定过程中. 提出先对路段检测器数据进行预处理,再采用数据挖掘中的局部加权回归,K-Means,k-最近邻以及凝聚层次聚类算法,分别将车流密度、密度与流量作为变量标定车速. 利用现场数据对算法进行了大量测试,结果表明算法是有效的,适用于基于仿真的动态交通分配系统.     

LOGIT回归模型对公司违约的预测探讨

为准确有效地预测企业违约的可能性, 以避免信用违约风险, 基于单一变量和多变量两种模型的分析,利用Logit 回归模型对企业的各变量和违约概率进行推断, 并以德国企业为例, 分析违约公司的共性和特性。对模型的交叉验证结果表明, 以Logit 模型衡量企业违约预测的统计方法整体精度达到70% 左右, 并能保持较高的可靠性和稳定性。违约预测可大大降低企业的违约风险, 在金融投资领域发挥重要作用。     

多阶段金霉素发酵过程产品质量控制

为提高金霉素产品质量和产量,提出了一种基于动态阶段划分的多阶段质量预测控制系统. 对训练数据进行主元分析得到的负载矩阵进行聚类,结合先验知识得到各阶段聚类中心;通过计算实时数据的负载矩阵与各阶段聚类中心值间的欧式距离,动态划定各阶段间的界限. 同时基于关联向量机算法,为发酵过程每个阶段建立相应的质量预测模型. 在金霉素间歇生产过程中,根据发酵进程所处的阶段和质量变量的实时预测值,对发酵生产过程实施相应控制策略. 通过实际应用表明,采用多阶段质量预测控制方法可改善生产过程的稳定性,提高产品质量.