一种基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法与流程

本发明涉及薄膜制备技术，尤其涉及一种基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法。

背景技术：

磁控溅射技术是七十年代在真空镀膜方面发展出来的一项新的薄膜制备技术，它是一种高速、低温的溅射技术，一般的溅射法可被用于制备金属、半导体、绝缘体等多材料，且具有设备简单、易于控制、镀膜面积大和附着力强等优点。

人工神经网络作为一种模仿人脑结构及其功能的由大量简单的计算单元连接形成的智能信息处理系统，具有大规模并行处理、自学习型、自适应性等优点，适用于构建复杂的非线性关联模型。BP人工神经网络是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一，但自身仍存在一些缺点，如收敛速度慢、易陷于局部极小值点等，这些缺点会在参数优化的过程中引起较大的偏差，使得优化的结果不理想。近年来BP神经网络模型在工业领域的应用日渐增多，包括识别、分类与分级、加工过程仿真与控制、单一指标值的预测等，取得了一定的效果，但在磁控溅射镀膜工艺参数的选择还多依赖于工人的经验，缺少相关的优化算法对磁控溅射镀膜工艺参数进行优化，由于人工选择参数需要花费的时间长，从而造成实验的流程长，并且由于人工选择参数精度低，造成材料浪费。

技术实现要素：

针对现有技术中存在不足，本发明提供了一种基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法，能够快速精确地对磁控溅射法镀膜工艺参数优化。

本发明是通过以下技术手段实现上述技术目的的。

一种基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法，包括：

步骤一：选取磁控镀膜仪的工艺参数进行试验，得到薄膜的电阻率、透光度以及薄膜厚度，将获得的电阻率、透光度以及薄膜厚度数据进行归一化处理，之后从中选取训练样本和检测样本，其中，所述磁控镀膜仪的工艺参数包括溅射功率、溅射压强、衬底温度、真空度、溅射时间、氩气流量；

步骤二：以所述磁控镀膜仪的工艺参数作为输入，以薄膜的电阻率、透光度以及厚度作为输出，构建一个含有多个隐含层的BP神经网络模型，隐含层的层数设置为l层，各隐含层的节点数设置为H，并给各隐含层和输出层选择合适的激励函数；

步骤三：利用遗传算法优化所述BP神经网络初始的权值和阈值，得到最优的个体的权值和阈值；

步骤四：将步骤三中得到的最优个体的权值和阈值赋值给所述BP神经网络模型，用步骤一的样本训练所述BP神经网络，训练过程中使用误差逆传播算法对各隐含层的权值和阈值进行更新，直到代价函数J小于设定精度或者达到最大迭代次数训练结束；

步骤五：再次使用遗传算法优化磁控溅射镀膜仪的工艺参数，其中，使用步骤四训练得到的神经网络的预测输出构建适应度函数F2，适应度函数F2取:

其中F2为适应度值，ρ2为步骤四得到的神经网络预测的薄膜电阻率，η2为步骤四得到的神经网络预测的薄膜透光率，δ2步骤四得到的神经网络预测的薄膜厚度，ρ0为薄膜电阻率目标值，η0为透光率目标值，δ0为薄膜厚度目标值。

优选地，所述步骤一中的薄膜的电阻率、透光率以及厚度与磁控镀膜仪的工艺参数之间的关系表示为：

ρ＝f1(P,Pa,T,V,t,F)，η＝f2(P,Pa,T,V,t,F)，δ＝f3(P,Pa,T,V,t,F)

其中，ρ为薄膜的电阻率，η为薄膜的透光率，δ为薄膜的厚度，P为磁控镀膜仪的溅射功率，Pa为溅射压强，T为衬底温度，V为真空度，t为溅射时间，F为氩气流量。

优选地，所述步骤二中，各隐含层的激励函数均选择logistic函数输出层的激励函数选择线性函数g(x)＝x。

优选地，所述步骤三具体为：

3.1首先根据所述BP神经网络模型的拓扑图确定神经网络的权值和阈值的个数，遵循如下公式：

其中Num为权值和阈值的总个数，Hi为第i层神经元的节点数；

3.2采用实数编码方式对神经网络的权值阈值进行编码操作，初始化种群，初始的权值阈值在(-1,1)间随机取值，设置种群的适应度函数为F1；

3.3计算种群中所有个体的适应度值，并使用轮盘赌算法进行选择操作，从父代中挑选适应度高的个体产生下一代个体，每个个体被选中的概率遵循下公式：

其中，pk为第k个个体被选中的概率，Fk为第k个个体的适应度值，K为种群中个体的总数；

3.4对种群中的个体进行交叉操作，设定交叉概率为pc，产生一个随机数若小于交叉概率，则进行交叉操作，交叉时随机选择两个个体并随机选择交叉位，遵循以下公式进行交叉操作：

其中，akj是第k个染色体在j位上的实数，alj是第l个染色体在j位上的实数，b为(0,1)间的随机数；

3.5对种群中的个体进行变异操作，设定变异概率为pm，产生一个随机数若小于变异概率，则进行变异操作，变异时随机选择一个个体并随机选择变异位，遵循以下公式进行变异操作：

其中，aij是第i个染色体在j位上的实数，g为当前迭代次数，Gmax为最大迭代次数，amax是aij取值的上限，amin是aij取值的下限，r和r'为(0,1)间的随机数；

3.5循环步骤3.3-3.5直至得到满意的适应度值或达到限定的迭代次数，输出最优的个体即适应度值最大的个体。

优选地，适应度函数F1取:

其中，F1为适应度值，ρ1为使用初始的权值和阈值的神经网络预测的薄膜的电阻率，η1为使用初始的权值和阈值的神经网络预测的透光率，δ1为使用初始的权值和阈值的神经网络预测的薄膜厚度，ρ0为薄膜电阻率期望值，η0为透光率期望值，δ0为薄膜厚度期望值。

优选地，步骤四中的代价函数J设置为：

其中，m为数据的个数，n为输入层节点数，outputj为输出节点j的实际输出，targetj为输出节点j的期望输出。

优选地，所述步骤四的具体过程为：

4.1将步骤三中得到的最优个体的权值和阈值赋值给所述BP神经网络模型，并计算神经网络各层的输入和输出值，计算公式如下：

net^(l)＝w^(l)*y^(l-1)+b^(l)

y^(l)＝fl(net^(l))

其中，net^(l)是神经网络第l层神经元的输入，w^(l)是第l-1层神经元到l层神经元的权值，b^(l)是第l层神经元的阈值，y^(l)是第l层神经元的的输出，fl是第l层神经元的激活函数

4.2利用梯度下降法，求得变化后的权值阈值：

其中，J为神经网络的代价函数，α是神经网络的学习率，w^(l)是第l-1层神经元到l层神经元的权值，b^(l)是第l层神经元的阈值。

本发明的有益效果：

1)本发明采用多隐含层BP神经网络建立磁控溅射镀膜仪的工艺参数(包括溅射功率、溅射压强、衬底温度、真空度、溅射时间、氩气流量)与生产薄膜的性能指标(包括电阻率，透光度以及薄膜厚度)之间复杂的映射关系，首先采用遗传算法对神经网络初始的权值和阈值进行优化，增强神经网络的全局搜索能力，提高神经网络的训练速度和预测精度，然后再次使用遗传算法根据目标产品的性能要求对磁控溅射镀膜仪的工艺参数进行优化，实现对磁控溅射法镀膜工艺参数的优化，从而可以根据需要的产品的参数预测出磁控溅射镀膜仪的工艺参数，减少预实验的过程，减少材料和能源的浪费。

2)本发明不依赖于固定的镀膜仪系统，适用于不同型号的磁控溅射镀膜机，算法的可移植性高。

附图说明

图1为本发明所述基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法流程图。

图2是本发明的多隐含层BP神经网络拓扑结构图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，根据本发明实施例的一种基于遗传算法和BP神经网络的磁控镀膜仪工艺参数的优化方法，包括以下步骤：

步骤一：选取磁控镀膜仪的工艺参数进行试验，得到薄膜的电阻率、透光度以及薄膜厚度，将获得的电阻率、透光度以及薄膜厚度数据进行归一化处理，之后从中选取神经网络的数据样本，选取80％的数据样本作为训练样本，剩余的数据样本作为检测样本，其中，所述磁控镀膜仪的工艺参数包括溅射功率、溅射压强、衬底温度、真空度、溅射时间、氩气流量；

其中，薄膜的电阻率、透光率以及厚度与磁控镀膜仪的工艺参数之间的关系表示为：

ρ＝f1(P,Pa,T,V,t,F)，η＝f2(P,Pa,T,V,t,F)，δ＝f3(P,Pa,T,V,t,F)

其中，ρ为薄膜的电阻率，η为薄膜的透光率，δ为薄膜的厚度，P为磁控镀膜仪的溅射功率，Pa为溅射压强，T为衬底温度，V为真空度，t为溅射时间，F为氩气流量；

步骤二：以所述磁控镀膜仪的工艺参数作为输入，以薄膜的电阻率、透光度以及厚度作为输出，构建一个含有多个隐含层的BP神经网络模型，隐含层的层数设置为l层，各隐含层的节点数设置为H，并给各隐含层和输出层选择合适的激励函数；

本实施例中，隐含层的层数l和各隐含层的节点数H的设置通过选择不同的隐含层的层数以及隐含层的节点个数进行训练相同的次数，将预测结果与实测数据进行对比，通过比较代价函数J，选择代价函数J最小的隐含层的层数以及隐含层节点个数；

各隐含层的激励函数均选择logistic函数输出层的激励函数选择线性函数g(x)＝x；

步骤三：利用遗传算法优化所述BP神经网络初始的权值和阈值，得到最优的个体的权值和阈值，具体为：

3.1首先根据所述BP神经网络模型的拓扑图确定神经网络的权值和阈值的个数，遵循如下公式：

其中Num为权值和阈值的总个数，Hi为第i层神经元的节点数；

3.2采用实数编码方式对神经网络的权值阈值进行编码操作，初始化种群，染色体基因的长度等于网络中所有权值和阈值个数的总和，初始的权值阈值在(-1,1)间随机取值，设置种群的适应度函数为F1：

其中，F1为适应度值，ρ1为使用初始的权值和阈值的神经网络预测的薄膜的电阻率，η1为使用初始的权值和阈值的神经网络预测的透光率，δ1为使用初始的权值和阈值的神经网络预测的薄膜厚度，ρ0为薄膜电阻率期望值，η0为透光率期望值，δ0为薄膜厚度期望值；

3.3计算种群中所有个体的适应度值，并使用轮盘赌算法进行选择操作，从父代中挑选适应度高的个体产生下一代个体，每个个体被选中的概率遵循下公式：

其中，pk为第k个个体被选中的概率，Fk为第k个个体的适应度值，K为种群中个体的总数；

3.4对种群中的个体进行交叉操作，设定交叉概率为pc，产生一个随机数若小于交叉概率，则进行交叉操作，交叉时随机选择两个个体并随机选择交叉位，遵循以下公式进行交叉操作：

其中，akj是第k个染色体在j位上的实数，alj是第l个染色体在j位上的实数，b为(0,1)间的随机数；

3.5对种群中的个体进行变异操作，设定变异概率为pm，产生一个随机数若小于变异概率，则进行变异操作，变异时随机选择一个个体并随机选择变异位，遵循以下公式进行变异操作：

其中，aij是第i个染色体在j位上的实数，g为当前迭代次数，Gmax为最大迭代次数，amax是aij取值的上限，amin是aij取值的下限，r和r'为(0,1)间的随机数；

3.5循环步骤3.3-3.5直至得到满意的适应度值或达到限定的迭代次数，输出最优的个体即适应度值最大的个体。

步骤四：将步骤三中得到的最优个体的权值和阈值赋值给所述BP神经网络模型，用步骤一的样本训练所述BP神经网络，训练过程中使用误差逆传播算法对各隐含层的权值和阈值进行更新，直到代价函数J小于设定精度或者达到最大迭代次数训练结束，具体过程为：

4.1将步骤三中得到的最优个体的权值和阈值赋值给所述BP神经网络模型，并计算神经网络各层的输入和输出值，计算公式如下：

net^(l)＝w^(l)*y^(l-1)+b^(l)

y^(l)＝fl(net^(l))

其中，net^(l)是神经网络第l层神经元的输入，w^(l)是第l-1层神经元到l层神经元的权值，b^(l)是第l层神经元的阈值，y^(l)是第l层神经元的的输出，fl是第l层神经元的激活函数

4.2利用梯度下降法，求得变化后的权值阈值：

其中，α是神经网络的学习率，w^(l)是第l-1层神经元到l层神经元的权值，b^(l)是第l层神经元的阈值，J为神经网络的代价函数，公式如下：

其中,m为数据的个数，n为输入层节点数，outputj为输出节点j的实际输出，targ etj为输出节点j的期望输出。

步骤五：再次使用遗传算法优化磁控溅射镀膜仪的工艺参数，步骤如下：

5.1采用实数编码方式对磁控溅射镀膜仪的工艺参数进行编码操作，初始化种群，使用步骤四得到的神经网络预测每个个体的输出值构建种群的适应度函数为F2：

其中F2为适应度值，ρ2为步骤四得到的神经网络预测的薄膜电阻率，η2为步骤四得到的神经网络预测的薄膜透光率，δ2步骤四得到的神经网络预测的薄膜厚度，ρ0为薄膜电阻率目标值，η0为透光率目标值，δ0为薄膜厚度目标值；

5.2计算种群中所有个体的适应度值，并使用轮盘赌算法进行选择操作；

5.3对种群中的个体进行交叉操作；

5.4对种群中的个体进行变异操作；

其中，步骤5.3的交叉和步骤5.4的变异的操作具体过程与步骤(3)相似，之后进行循环步骤5.2～5.4，反复进行选择、交叉、变异操作直至得到满意的适应度值或达到限定的迭代次数，输出最优的个体即优化后的磁控溅射镀膜仪的工艺参数。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。