[发明专利]基于贝叶斯正则化算法的白光反射率测量薄膜厚度自适应方法

权利要求书

1.基于贝叶斯正则化算法的白光反射率测量薄膜厚度自适应方法，其特征在于，包括如下步骤：

1)利用白光发射器由空气向待测薄膜发射白光，在信号采集区域获取折射反射光线得到一组原始WLRS信号；

2)将步骤1所得的一组原始WLRS信号进行归一化处理后引入训练集，设定训练次数、训练目标误差；

3)使用对步骤2所得的训练集中的数据进行贝叶斯正则化算法BP神经网络训练，确定预测模型的隐含层层数、各隐含层节点数、隐含层转移函数和输出层转移函数；

4)对训练所得的WLRS模型进行预测仿真，得到拟合后的WLRS曲线；

5)对拟合后的WLRS曲线获取特征值，通过特征值判断该曲线所对应的薄膜厚度。

2.根据权利要求1所述的基于贝叶斯正则化算法的白光反射率测量薄膜厚度自适应方法，其特征是，所述步骤1具体为：一束白光A由白光发射器以入射角α从空气射向待测薄膜，其中入射角α小于±5°；光线在上下分界面S₁、S₂反复发生折射反射，最后在信号采集区域将反复折射反射后的光线B₁、B₂、…、B_n，通过采集到的光线的相位差，得出一组原始WLRS信号。

3.根据权利要求1所述的基于贝叶斯正则化算法的白光反射率测量薄膜厚度自适应方法，其特征是，所述步骤2具体为：对原始WLRS信号进行归一化处理，其公式为：

S*=S-SminSmax-Smin---(1)]]>

其中，S^*为归一化后的WLRS信号数据，S为WLRS原始信号，S_max和S_min分别为WLRS原始信号数据中的最大值和最小值；

设置训练次数为1000，训练目标误差为0.001，当神经网络训练次数达到训练次数或当训练后的误差小于训练目标误差时就停止训练，输出训练后的预测模型。

4.根据权利要求1所述的基于贝叶斯正则化算法的白光反射率测量薄膜厚度自适应方法，其特征是，所述步骤3具体为：将BP神经网络的目标函数设为：

F＝βE_D+αE_W(2)

其中，α、β分别为目标函数参数，E_D为误差函数，E_W为网络权重平方和，其具体数学公式如下：

EW=1mΣi=1mωi2---(3)]]>

ω_i表示神经网络连接权重值，m为网络连接个数；贝叶斯网络将自适应改变公式(2)中的α、β值，有效控制网络复杂度，减少网络的过度拟合。

5.根据权利要求1所述的基于贝叶斯正则化算法的白光反射率测量薄膜厚度自适应方法，其特征是，所述步骤5具体为：将拟合后的WLRS曲线视为实际薄膜厚度所得的WLRS曲线，将拟合后的WLRS曲线的最低点所对应的光波波长设为特征值，特征值与待测薄膜厚度存在着线性关系，通过该特征值快速求出待测薄膜的厚度。