胡俊英;钱晓飞;裴俊;Tan，长春;帕诺斯·帕达洛斯（Panos M.Pardalos）。;刘新宝 一种考虑高维产品质量数据的基于特征选择的质量预测新方法。 （英语） Zbl 1513.62257号 J.工业管理。最佳方案。 18，第4号，2977-3000（2022）. 产品质量是企业生存和发展的生命线。随着信息技术的快速发展，半导体制造工艺产生了许多质量特征。由于质量特征的不断增加，对质量预测方法的训练时间和分类精度的要求越来越高。为了实现半导体制造过程的质量预测，考虑到数据的高维和非线性特性，提出了一种基于特征选择的改进支持向量机（SVM）模型。该模型首先对支持向量机中的径向基函数（RBF）进行了改进，然后结合Duelist算法（DA）和可变邻域搜索算法（VNS）进行特征选择和参数优化。与基于DA、遗传算法（GA）和信息增益算法（IG）的其他SVM模型相比，实验结果表明，我们的DA-VNS-SVM能够以较小的特征子集获得较高的分类准确率。此外，我们将DA-VNS-SVM与一些常见的机器学习算法进行了比较，如逻辑回归、朴素贝叶斯、决策树、随机森林和人工神经网络。结果表明，我们的模型在半导体质量预测方面优于这些机器学习算法。 MSC公司： 第60页 统计学在工程和工业中的应用；控制图 68T20型 人工智能背景下的问题解决（启发式、搜索策略等） 关键词：支持向量机;特征选择;核函数;混合智能算法;质量预测 软件：UCI-毫升 PDF格式BibTeX公司 XML格式引用 \textit{J.Hu}等人，J.Ind.Manag。优化。18，第4号，2977--3000（2022；Zbl 1513.62257） 全文： 内政部 参考文献： [1] M.M.Adankon；M.Cheriet，LS-SVM的型号选择。笔迹识别的应用，模式识别，423264-3270（2009）·Zbl 1187.68424号 ·doi:10.1016/j.patcog.2008年10月23日 [2] S.Agatonovic-Kustrin；R.Beresford，人工神经网络（ANN）建模的基本概念及其在药物研究中的应用，《药物与生物医学分析杂志》，22，717-727（2000）·doi:10.1016/S0731-7085（99）00272-1 [3] 艾哈迈迪硕士；A.Bahadori，用于确定水平井中油井位置和连接现象的LSSVM方法，Fuel，153，276-283（2015）·doi:10.1016/j.fuel.2015.02.094 [4] M.Al-Kharaz、B.Ananou、M.Ouladsine、M.Combal和J.Pinaton，使用多层感知器前馈人工神经网络预测半导体制造过程中的质量，2019年第八届国际系统与控制会议（ICSC）, (2019), 423-428. [5] D.Alagić，O.Bluder和J.Pilz，半导体器件SAM图像中损伤的量化和预测，国际会议图像分析与识别《计算机科学讲义》，10882，查姆斯普林格，2018490-496。 [6] E.Alba、J.Garcia-Nieto、L.Jourdan和E.Talbi，使用GPSO/SVM和GA/SVM混合算法进行癌症分类中的基因选择，IEEE进化计算大会, (2008), 284-290. [7] N.Allias，M.N.M.M.Noor，M.N.Ismail，K.de Silva，混合Gini PSO-SVM特征选择：不同分类器上的种群规模实证研究，国际人工智能会议, (2013), 107-110. [8] ,亚松森A，纽曼DJ，UCI机器学习库, 2007. [9] H.Bae；S.S.Kim；K.B.Woo；G.S.梅；D.K.Lee，利用知识创造的晶圆制造过程的故障检测、诊断和优化，国际控制、自动化和系统杂志，4372-381（2006） [10] M.G.巴里；X·马；J.Zhang，PeakLink:使用小波和SVM在LC-MS/MS中的一种新的肽峰连接方法，生物信息学，30，2464-2470（2014）·doi:10.1093/bioinformatics/btu299 [11] A.Bazzani，A.Bevilacqua，D.Bollini，et al.，一种SVM分类器，用于从数字乳房X光照片中的微钙化中分离假信号，医学和生物学物理学, 46 (2001), 1651-1651. [12] T.R.Biyanto等人，《决斗算法：一种受决斗者如何提高决斗能力启发的算法》，第七届国际蜂群智能会议, 2016, 39-47. [13] B.Bonev，基于信息理论的特征选择，阿利坎特大学, 2010. 可从以下位置获得：http://hdl.handle.net/1045/18362。 [14] W.Chen，Z.Li和J.Guo，基于VNS-EDA算法的信用风险分类特征选择，工程中的数学问题，2020（2020），14页。 [15] V.切尔卡斯基；马友友，支持向量机回归参数的实用选择和噪声估计，神经网络，17，113-126（2004）·Zbl 1075.68632号 ·doi:10.1016/S0893-6080（03）00169-2 [16] P.-H.Chou；吴敏杰；K.-K.Chen，集成支持向量机和遗传算法实现动态晶圆质量预测系统，应用专家系统，374413-4424（2010）·doi:10.1016/j.eswa.2009.11.087 [17] C.科尔特斯；V.Vapnik，《Support-Vector Networks，机器学习》，第20期，第273-297页（1995年）·Zbl 0831.68098号 ·doi:10.1007/BF00994018 [18] H.科斯塔；L.R.Galvao；L.H.C.Merschmann；M.J.F.Souza，层次分类环境下特征选择的VNS算法，离散数学电子笔记，66，79-86（2018）·doi:10.1016/j.endm.2018.03.011 [19] N.Cristianini和J.Shawe-Taylor，支持向量机和其他基于核的学习方法简介剑桥大学出版社，2000年。 [20] K.Fridgeirsdottir，R.Akella，L.-M.Al，通过基线减少提高产量的统计方法，先进半导体制造会议与研讨会, (1998), 77-81. [21] J.Derrac；C.角膜；S.加西亚；F.Herrera，通过基于模糊粗糙集的特征选择增强进化实例选择算法，信息科学，186，73-92（2012）·doi:10.1016/j.ins.2011.09.027 [22] S.Dong，Y.Zhang，Z.He，等，支持向量机和反向传播人工神经网络在有机朗肯循环系统性能预测中的研究，能源, 144 (2018), 851-864. [23] R.Dong；徐智杰；B.Lin，LSSVM-PSO基于ROI的分布式光伏项目影响因素研究，能源，124，336-349（2017）·doi:10.1016/j.energy.2017.02.056 [24] A.L.Ellefsen、E.Bjorlykhaug、V.Esoy等人，使用半监督深层结构对涡扇发动机退化的剩余使用寿命预测，可靠性工程与系统安全, 183 (2019), 240-251. [25] A.O.Filho、A.C.Silva、A.C.de Paiva等，利用系统发育多样性、遗传算法和SVM在计算机断层扫描中对肺结节进行计算机辅助诊断，数字成像杂志, 30 (2017), 812-822. [26] B.弗雷内；G.道克；M.Verleysen，《相互信息是否足以用于回归中的特征选择》，神经网络，48，1-7（2013）·Zbl 1297.68202号 ·doi:10.1016/j.neunet.2013.07.003 [27] R.Fujimaki、T.Yairi和K.Machida，使用相关向量学习的航天器异常检测方法，亚太知识发现和数据挖掘会议《计算机科学讲义》，3518，柏林斯普林格，海德堡，2005785-790。 [28] M.Garcia-Torres、F.C.Garcia-López、B.Melián-Batista、J.A.Moreno-Pérez和J.M.Moreno-Vega，通过混合解决特征子集选择问题，混合元启发式, (2004), 59-68. [29] M.Garcia-Torres、R.Armananzas、C.Bielza等，蛋白质组质谱数据中峰值蛋白选择的元启发式策略比较，信息科学, 222 (2013), 229-246. [30] M.García-Torres；F.Gómez-Vela；B.梅利安·巴蒂斯塔；M.Moreno-Vega，通过特征分组的高维特征选择：可变邻域搜索方法，信息科学，326102-118（2016）·doi:10.1016/j.ins.2015.07.041 [31] J.Hua；W.D.Tembe；E.R.Dougherty，高维数据分类中特征选择方法的性能，模式识别，42，409-424（2009）·Zbl 1181.68240号 ·doi:10.1016/j.patcog.2008.08.001 [32] C.-L-黄；J.-F.Dun，具有特征选择和参数优化的分布式PSO-SVM混合系统，应用软计算，8，1381-1391（2008）·doi:10.1016/j.soc.2007.10.007 [33] P.Janik；T.Lobos，使用SVM和RBF网络对电能质量扰动进行自动分类，IEEE电力输送汇刊，211663-1669（2006）·doi:10.1109/TPWRD.2006.874114 [34] A.C.Janssens，Y.Deng，G.J.Borsboom，et al.，评估诊断试验结果的新逻辑回归方法，医疗决策, 25 (2005), 168-177. [35] Y.-S.Jeong；B.Kim；Y-D.Ko，用于监测非线性轮廓的基于指数加权移动平均值的自适应阈值程序：半导体制造中等离子体蚀刻过程的监测，应用专家系统，40，5688-5693（2013）·doi:10.1016/j.eswa.2013.04.016 [36] S.S.Keerthi；E.G.Gilbert，SVM分类器设计中广义SMO算法的收敛性，机器学习，46，351-360（2002）·Zbl 0998.68109号 ·doi:10.1023/A:1012431217818 [37] S.J.Kim、H.G.Yoon、K.B.Lee等，光刻过程中场-场误差校正的混合叠加建模，IEEE半导体制造汇刊, 33 (2020), 53-61. [38] B.Kim；D.W.Kim；G.T.Park，使用多项式神经网络预测等离子体刻蚀，IEEE等离子体科学汇刊，311330-1336（2003）·doi:10.1109/TPS.2003.820681 [39] T.Kolodziejczyk；R.托斯卡诺；S.Fouvry；G.Morales-Espejel，人工智能作为预测滚珠轴承微动磨损损伤的有效技术，磨损，268309-315（2010）·doi:10.1016/j.wear.2009.08.016 [40] M.Kumar、M.Bhasin、N.K.Natt等。BhairPred：使用ANN和SVM技术从多重比对信息预测蛋白质中的β发夹，核酸研究, 33 (2015), 154-159. [41] Y.-X.赖；C-F.赖；Y-M.Huang；H.-C.Chao，在无处不在的智能家居中使用混合SVM/GMM分类器的多设备识别系统，信息科学，230，39-55（2013）·doi:10.1016/j.ins.2012.10.002 [42] M.Last和A.Kandel，半导体工业过程和质量控制的数据挖掘，3，设计和制造数据挖掘，Springer，Boston，MA，2001年。 [43] H.Li；C.-J.Li；X.-J Wu；J.Sun，基于统计的特征选择包装器：用支持向量机识别财务困境的实现，应用软计算，1957-67（2014）·doi:10.1016/j.asoc.2014年1月18日 [44] S.Li；H.Wu；D.Wan；朱军，基于遗传算法和支持向量机的高光谱图像分类有效特征选择方法，基于知识的系统，24，40-48（2011）·doi:10.1016/j.knosys.2010.07.003 [45] 李彦宏；X.Zhang，基于扩散图的半导体制造过程故障检测的k近邻规则技术，化学计量学和智能实验室系统，136，47-57（2014）·doi:10.1016/j.chemolab.2014.05.003 [46] H.Liu和H.Motoda，特征提取构造和选择：数据挖掘的视角，美国统计协会杂志, 94 (1999), 014004. [47] J.Long；S.Zhang；C.Li，用于智能故障诊断的进化深回波状态网络，IEEE工业信息学汇刊，16，4928-4937（2020）·doi:10.1109/TII.2019.2938884 [48] J.Long；Z.孙；C.李；Y.Hong；Y.Bai；S.Zhang，用于三角3D打印机数据驱动故障诊断的新型稀疏回波自动编码器网络，IEEE仪器与测量学报，69，683-692（2020）·doi:10.1109/TIM.2019.2905752 [49] U.Maulik；A.穆霍帕迪亚；D.Chakraborty，通过特征选择和转导SVM预测基于基因表达的癌症亚型，IEEE生物医学工程学报，60，1111-1117（2013）·doi:10.1109/TBME.20122.2225622 [50] M.Melhem、B.Ananou、M.Ouladsine、M.Combal和J.Pinaton，使用报警数据进行产品质量预测：半导体制造工艺的应用，2017年第25届地中海控制与自动化会议（MED）, (2017), 1332-1338. [51] L.Mönch、J.W.Fowler和S.J.Mason，半导体晶圆制造设施的生产规划和控制：建模、分析和系统，52，Springer Science&Business Media，纽约Springer，2012年。 [52] A.Mucherino和L.Liberti，数据挖掘中基于VNS的特征选择启发式算法，混合元启发式《计算智能研究》，434，施普林格，柏林，海德堡，2013353-368。 [53] J.Neumann；C.施诺尔；G.Steidl，基于SVM的组合特征选择和分类，机器学习，6129-150（2005）·兹伯利1137.90643 ·doi:10.1007/s10994-05-1505-9 [54] Y.Oh，K.Ransikarbum，M.Busogi等，基于自适应SVM的天窗装配线底漆密封剂涂布过程实时质量评估，可靠性工程与系统安全, 184 (2019), 202-212. [55] A.V.Phan；M.L.Nguyen；L.T.Bui，基于遗传算法的分类问题特征加权和SVM参数优化，应用。智力。，46, 455-469 (2017) ·doi:10.1007/s10489-016-0843-6 [56] H.Purwins等人，预测PECVD氮化硅层厚度的回归方法，2011年IEEE自动化科学与工程国际会议, (2011), 387-392. [57] J.R.Quinlan，决策树归纳法，机器学习，181-106（1986）·doi:10.1007/BF00116251 [58] M.S.Rahman；M.K.Rahman；M.Kaykobad；M.S.Rahman，isGPT：使用SVM和基于随机森林的特征选择识别亚高尔基体蛋白类型的优化模型，《医学中的人工智能》，84，90-100（2017）·doi:10.1016/j.artmed.2017.11.003 [59] I.Rish，《朴素贝叶斯分类器的实证研究》，IJCAI 2001年人工智能实证方法研讨会，3，41-46（2001） [60] Y-C.Su；M.-H.Hung；F.-T.Cheng；Y-T.Chen，TFT-LCD制造中等离子溅射的加工质量预测方案，IEEE半导体制造汇刊，19183-194（2006）·doi:10.1109/TSM.2006.873514 [61] J.B.Tenenbaum；V.D.Silva；J.C.Langford，《非线性降维的全球几何框架》，《科学》，2902319-2323（2000）·doi:10.1126/science.290.5500.2319 [62] A.Unler；A.穆拉特；R.B.Chinnam，mr2PSO:基于群智能的支持向量机分类最大相关最小冗余特征选择方法，信息科学，181，4625-4641（2011）·doi:10.1016/j.ins.2010.05.037 [63] 王毅，薛志刚，沈国荣，等，PRINTR：利用支持向量机和图谱预测蛋白质中的RNA结合位点，氨基酸, 35 (2008), 295-302. [64] R.Weber；J.Basak，使用核化支持向量机进行同步特征选择和分类，信息科学，181115-128（2011）·doi:10.1016/j.ins.2010.08.047 [65] C.Wei，J.Chen，Z.Song和C.Chen，基于自学习核回归模型的非线性工业过程软传感器，亚洲控制会议，IEEE，（2018），1783-1788。 [66] X.Wu；L.Chen；S.Pang；X.Ding，一种并列的主客观加权方法和SVM风险评估模型在纺织服装安全中的应用，国际质量与可靠性管理杂志，32，472-485（2015）·doi:10.1108/IJQRM-06-2013-0102 [67] Y.Xiang和L.Jiang，基于LS-SVM和粒子群优化的水质预测，2009年第二届知识发现和数据挖掘国际研讨会, (2009), 900-904. [68] S.D.Xin；C.B.Zhong，序贯分析在主柴油机故障预测系统中的一些实际应用，IEEE工业电子学会会议，IEEE，3，2151-2156（2002）·doi:10.1109/IECON.1991.239009 [69] H.Zhang，Q.Li，Z.Sun和Y.Liu，将数据驱动和模型驱动方法相结合，用于稳健的面部标志检测，IEEE信息取证和安全事务, (2016), 2409-2422. [70] 张浩，陈庆云，向明良，等，利用GA-CG-SVM方法进行线粒体毒性的电子预测，体外毒理学, 23 (2009), 134-140. [71] C.郑；焦立中，基于遗传算法的支持向量机参数自动选择，智能控制与自动化，21869-1872（2004）·doi:10.1109/WCICA.2004.1341000 [72] X.Zhao，E.K.Wong，Y.Wang，et al.，预测乳腺癌患者放射治疗首选治疗位置的支持向量机（SVM），医学物理学, 37 (2010), 5341-5350. [73] 朱勇，谭永华，等，基于支持向量机分类器的CT良恶性肺结节鉴别特征选择与性能评价，数字成像杂志, 23 (2010), 51-65. 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。