[发明专利]一种单晶硅熔炉晶体生长直径预测方法

权利要求书

1.一种PSO优化的KNN算法，即一种采用粒子群优化带权重的k-最邻近算法，其特征在于，根据当前的控制参数和状态，查找历史数据中与当前最相似的K个点，对历史数据中的这K个点求加权平均，对于最佳权重的求取，采用粒子群算法进行优化。

2.如权利要求1所述的一种PSO优化的KNN算法，其特征在于，所述的粒子群算法中，粒子具有速度和位置两个属性，每一个粒子的位置表示为每一个粒子经历过的最好位置记为也称为pbest，在群体所有粒子经历过的最好位置的索引号用符号g表示，即Pg，也称为gbest；PSO初始化N个粒子，位置随机，通过迭代找到最优解；在每一次的迭代中，粒子通过跟踪两个极值(pbest，gbest)来更新自己；在找到这两个最优值后，粒子通过下列公式更新自己的速度和位置：

其中w为惯性权重，c₁和c₂为加速常数，rand()和Rand()为两个在[0,1]范围内变化的随机值；

粒子的速度V_i被一个最大速度V_max所限制；如果当前对粒子的加速导致其在某维的速度v^d_i超过该维的最大速度V^d_max，则该维的速度被限制为该维最大速度V^d_max。

3.如权利要求2所述的一种PSO优化的KNN算法，其特征在于，所述的pbest和gbest的计算方式如下：

某一粒子的运动过的位置中，最优位置pbest使得KNN拟合曲线R2系数最小：

式中y_i为某数据点输出，为某数据点的预测，为输出均值,所有pbest中最优位置为gbest。

4.如权利要求3所述的一种PSO优化的KNN算法，其特征在于，所述的KNN拟合曲线包括如下步骤：

1)计算点X到所有训练集上的点的距离，采用欧几里得距离；

2)按照距离递增次序对样本点进行排序；

3)取前K个离X最近的点，根据距离计算预测权重；

4)对这K个点的输出进行带权重的加权平均，平均值为点X的预测输出值。

5.如权利要求4所述的一种PSO优化的KNN算法，其特征在于，应用于硅晶体生长的放肩、等径环节时，X的各维度坐标为人为选取的归一化后的关键参数，包括液面温度、晶体转速、坩埚转速、当前直径，预测输出值为晶体下一时刻的生长直径。

6.单晶硅熔炉晶体生长直径预测方法，其特征在于，基于如权利要求5所述的PSO优化的KNN算法，包括以下步骤：

步骤1：通过摄像头、温度传感器、设备运行设置获得当前晶体生长状态参数：包括液面温度、晶体转速、坩埚转速、当前直径；

步骤2：选取不同单晶硅熔炉的同一生长阶段的生长数据进行合并、归一化处理作为数据集；

步骤3：将步骤2中的数据集划分为训练集和测试集，将训练集输入所述的PSO优化的KNN算法进行回归拟合；

步骤4：将步骤3回归得到的模型应用于测试集进行测试，验证模型可靠性；

步骤5：应用模型进行晶体生长直径预测。

7.如权利要求6所述的单晶硅熔炉晶体生长直径预测方法，其特征在于，所述的步骤2具体包括以下步骤：

步骤2.1：根据生长阶段标签分别提取放肩、等径阶段的生长状态数据，相同生长阶段的数据划分为同一组；

步骤2.2：对各组数据进行正态归一化；

步骤2.3：选取关键参量：包括液面温度、晶体转速、坩埚转速、当前直径作为回归自变量用于回归计算；

步骤2.4：将选取的关键参量和待预测量即晶体直径作为数据集，按70％和30％比例划分为训练集和测试集。