[发明专利]一种基于神经网络的工艺参数分析方法、设备以及计算机存储介质

权利要求书

1.一种基于神经网络的工艺参数分析方法，其特征在于，所述基于神经网络的工艺参数分析的方法包括：

根据多个工艺过程产生的工艺参数的时序数据，创建测试数据集；其中，每个所述工艺过程均包括多个工艺参数；

将所述测试数据集输入至神经网络分类模型中，提取出各个所述工艺参数相应的特征向量；其中，所述神经网络分类模型包括多个门控循环网络，每个所述门控循环网络用于对一个所述工艺参数的时序数据进行特征提取；

根据所述特征向量与所述神经网络分类模型中全连接层的权值，确定相应所述工艺参数的贡献度向量；

根据每个所述工艺参数相应的贡献度向量，确定相应所述工艺参数的影响度。

2.根据权利要求1所述的基于神经网络的工艺参数分析方法，其特征在于，所述神经网络分类模型的训练过程包括：

创建训练数据集，所述训练数据集包括多个样本；

基于所述训练数据集，对神经网络进行训练，得到所述神经网络分类模型。

3.根据权利要求2所述的基于神经网络的工艺参数分析方法，其特征在于，在所述创建训练数据集之前，所述基于神经网络的工艺参数分析方法还包括：

获取所述多个样本的时序数据；

基于样本标签，对所述多个样本的时序数据进行分组；其中，同一所述样本的时序数据对应同一样本标签；

对分组的所述多个样本的时序数据进行归一化处理，得到归一化后的分组样本时序数据；

所述创建训练数据集包括：

基于所述归一化后分组样本时序数据，创建训练数据集。

4.根据权利要求2所述的基于神经网络的工艺参数分析方法，其特征在于，每个所述样本具有多个属性；

在所述神经网络中，每个所述属性对应一个所述门控循环网络。

5.根据权利要求2所述的基于神经网络的工艺参数分析方法，其特征在于，所述基于所述训练数据集，对神经网络进行训练，得到所述神经网络分类模型包括：

将所述训练数据集输入至神经网络中，得到预测结果；

将所述预测结果输入至损失函数中，使用Adam优化器最小化分类损失，以更新所述神经网络中隐藏层的权值和全连接层的权值，直至所述神经网络的损失变化量小于预设值，得到所述神经网络分类模型。

6.根据权利要求5所述的基于神经网络的工艺参数分析方法，其特征在于，所述将所述训练数据集输入至神经网络中，得到预测结果包括：

在隐藏层，利用各个所述门控循环网络对相应所述属性进行特征提取，得到多个属性特征；其中，各个所述门控循环网络的参数均不同；

将所述多个属性特征输入所述神经网络的全连接层及分类层中，得到所述神经网络的预测结果；其中，各个所述属性特征均对应不同的全连接层权值。

7.根据权利要求6所述的基于神经网络的工艺参数分析方法，其特征在于，每个所述门控循环网络包括多个隐藏单元，每个所述属性特征的特征数与相应所述门控循环网络中的所述隐藏单元的隐藏单元数相同。

8.根据权利要求7所述的基于神经网络的工艺参数分析方法，其特征在于，每个所述门控循环网络包括128个隐藏单元。

9.根据权利要求1-8任一项所述的基于神经网络的工艺参数分析方法，其特征在于，所述根据所述特征向量与所述神经网络分类模型中全连接层的权值，确定相应所述工艺参数的贡献度向量包括：

将多个所述特征向量拼接后，与所述神经网络分类模型中的全连接层权值相乘，得到贡献度总向量；

根据所述工艺参数的个数，将所述贡献度总向量进行均分，得到每个所述工艺参数的贡献度向量。