(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 202110715871.1 (22)申请日 2021.06.24 (71)申请人 中兴通讯股份有限公司 地址 518057 广东省深圳市南 山区高新 技 术产业园科技 南路中兴通讯大厦 申请人 西安电子科技大 学 (72)发明人 李席　常建涛　李晨阳　孔宪光　 武彦斌　王凤伟　 (74)专利代理 机构 深圳市力道知识产权代理事 务所(普通 合伙) 44507 专利代理师 张传义 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 3/12(2006.01) G06F 119/14(2020.01) (54)发明名称 SMT印刷参数优化模型的训练方法、 设备和 存储介质 (57)摘要 本申请公开一种SMT印刷参数优化模型的训 练方法、 设备和存储介质， 属于智能制造技术领 域。 该方法包括： 接收初始生产数据； 根据所述初 始生产数据进行影 响因素重构， 得到影 响因素数 据包； 加载待训练优化模型； 根据所述影响因素 数据包对所述待训练优化模型进行训练， 得到训 练好的优化模型。 本申请 的技术方案， 其可实现 提高了SMT产线印刷质量预测结果， 以及提高了 工艺参数推荐准确性。 权利要求书2页 说明书13页 附图5页 CN 115526093 A 2022.12.27 CN 115526093 A 1.一种SMT印刷参数优化模型的训练方法， 其特 征在于， 所述方法包括以下步骤： 接收初始生产数据； 根据所述初始生产数据进行影响因素重构， 得到影响因素 数据包； 加载待训练优化模型； 根据所述影响因素 数据包对所述待训练优化模型进行训练， 得到训练好的优化模型。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述初始生产数据进行影响因素 重构， 得到影响因素 数据包， 包括： 对所述初始生产数据进行过滤筛选， 得到不包含于固定属性的原始数据集， 其中所述 固定属性 为影响因素 所对应的数据为固定值； 利用特征交叉以及主成分分析对所述原始数据集进行影响因素重构， 得到重构后的影 响因素数据包。 3.根据权利要求2所述的方法， 其特征在于， 所述利用特征交叉以及主成分分析对所述 原始数据集进行影响因素重构， 得到 重构后的影响因素 数据包， 包括： 对所述原 始数据集进行 数据规约， 得到规约后的原 始数据集； 确定所述参数待训练优化模型所对应的待优化工艺参数， 并将所述原始数据集中所包 含的待优化工艺 参数剔除， 得到第一数据集； 对所述第一数据集所包 含的影响因素进行 特征交叉相乘， 得到第二数据集； 利用主成分分析对所述第 二数据集中所包含的每一影响因素进行分析， 得到影响因素 数据包。 4.根据权利要求3所述的方法， 其特征在于， 所述利用主成分分析对所述第 二数据集中 所包含的每一影响因素进行分析， 得到影响因素 数据包， 包括： 利用主成分分析计算得到所述第 二数据集中每一影响因素所对应的特征值， 并对所述 特征值进行排序； 根据从大到小的选择方式在排序后的所述特征值中选择若干特征值相加， 并在相加得 到的数值首次大于所设定的预设阈值时， 确定进 行相加的特征值所对应的特征为重构 影响 因素； 将所述重构影响因素与所述待优化工艺 参数进行合并， 得到影响因素 数据包。 5.根据权利要求1所述的方法， 其特征在于， 所述根据所述影响因素数据包对所述待训 练优化模型进行训练， 得到训练好的优化模型， 包括： 初始化所述待训练优化模型， 并得到对应的初始化参数， 以及根据预设的编码方式对 所述影响因素 数据包进行编码， 得到编码数据； 根据所述编码数据对所述初始化后的待训练优化模型进行若干次迭代训练， 以对所述 初始化参数进行调节， 并在确定收敛时得到训练好的优化模型。 6.根据权利要求5所述的方法， 其特征在于， 所述根据所述编码数据对所述初始化后的 待训练优化模型进行若干次迭代训练， 包括： 将所述编码数据输入至所述初始化后的待训练优化模型中， 以对初始化后的待训练优 化模型进行第一次训练， 并得到第一次训练后的第一中间参数； 基于所述第 一中间参数对所述待训练优化模型进行调节， 得到第 一中间待训练优化模 型；权　利　要　求　书 1/2 页 2 CN 115526093 A 2将所述编码数据输入至所述第 一中间待训练优化模型中， 以对所述第 一中间待训练优 化模型进行第二次训练， 并得到第二次训练后的第二中间参数， 以此类推以对所述待训练 优化模型进行若干次训练。 7.根据权利要求6所述的方法， 其特征在于， 所述在确定收敛时得到训练好的优化模 型， 包括： 在确定收敛时对每次训练所得到的目标函数值进行排序， 以根据从大到小的选择方式 在排序后的目标函数值中选择N个目标函数值， 其中将所述编码数据输入至所述待训练优 化模型中得到所述目标函数值， 且每一次训练均输出一目标函数值； 确定所述N个目标函数值所对应的N组参数信 息， 其中参数信 息包括隐藏层网络节点数 以及对应的激活函数； 将所述N组参数信息输入至所述待训练优化模型中的N个子模型中， 并将所述N个子模 型进行集成， 得到训练好的优化模型， 其中所述优化模型为基于深度神经网络所构建的多 输出深度神经网络模型。 8.根据权利要求1至7中任一项所述的方法， 其特征在于， 所述根据所述影响因素数据 包对所述待训练优化模型进行训练， 得到训练好的优化模型之后， 还 包括： 当接收到参数优化指令时， 加载训练好的优化模型， 并接收输入的待分析工艺 参数； 将所述待分析工艺参数输入至所述优化模型中， 计算得到基于所述待分析工艺参数所 得到的函数值； 当所述函数值大于预设阈值时， 根据所述优化模型输出 预测工艺 参数。 9.一种计算机设备， 其特 征在于， 包括存 储器以及处 理器； 所述存储器用于存 储计算机程序； 所述处理器， 用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1 至8中任一项所述的SMT印刷参数优化模型的训练方法的步骤。 10.一种存储介质， 用于计算机可读存储， 其特征在于， 所述存储介质存储有一个或者 多个程序， 所述一个或者多个程序可被一个或者多个处理器执行， 以实现权利要求1至8 中 任一项所述的SMT印刷参数优化模型的训练方法的步骤。权　利　要　求　书 2/2 页 3 CN 115526093 A 3