技术特征：
1.一种重叠计量学系统，其包括：控制器，其经配置以与重叠计量学子系统以通信方式耦合，所述控制器包含经配置以执行程序指令的一或多个处理器，所述程序指令致使所述一或多个处理器进行以下操作：接收来自所述重叠计量学子系统的一或多个重叠测量；使用所述一或多个测量产生一或多个质量度量；使用主成分分析(pca)从所述一或多个质量度量提取一组主成分；产生输入数据，其中所述输入数据包括所述一组主成分的子集，且所述子集中的每一主成分具有高于阈值方差的方差；将所述输入数据输入到监督式机器学习算法的输入矩阵中以训练预测模型；以及在所述预测模型的输出向量中识别用于所述重叠计量学子系统的配方或硬件配置中的至少一者。2.根据权利要求1所述的重叠计量学系统，其中用于所述重叠计量学系统的所述配方或所述硬件配置中的所述至少一者与最小残差值相关。3.根据权利要求2所述的重叠计量学系统，其中包含所述一或多个处理器的所述控制器进一步经配置以执行程序指令，所述程序指令致使所述一或多个处理器提供一或多个控制指令以将所述重叠计量学子系统调整到与所述最小残差值相关的所述配方或所述硬件配置中的至少一者。4.根据权利要求1所述的重叠计量学系统，其中所述预测模型的所述输出向量包括多个预测模型的多个输出向量的平均值。5.根据权利要求1所述的重叠计量学系统，其中所述输入矩阵包括多个列及行，所述列中的每一者表示质量度量的类型，且所述行中的每一者表示用于所述重叠计量学子系统的配方或硬件配置。6.根据权利要求1所述的重叠计量学系统，其中所述输出向量包括行，且所述行中的每一者表示残差值。7.根据权利要求1所述的重叠计量学系统，其中所述监督式机器学习算法包括线性回归。8.根据权利要求1所述的重叠计量学系统，其中所述监督式机器学习算法包括决策树(dt)。9.根据权利要求1所述的重叠计量学系统，其中所述监督式机器学习算法包括支持向量机回归(svm-r)。10.根据权利要求1所述的重叠计量学系统，其中所述监督式机器学习算法包括高斯过程(gp)。11.根据权利要求1所述的重叠计量学系统，其中所述监督式机器学习算法包括神经网络(nn)。12.一种重叠计量学系统，其包括：重叠计量学子系统；以及控制器，其经配置以与所述重叠计量学子系统以通信方式耦合，所述控制器包含经配置以执行程序指令的或多个处理器，所述程序指令致使所述一或多个处理器进行以下操作：
接收来自所述重叠计量学子系统的一或多个重叠测量；使用所述一或多个测量产生一或多个质量度量；使用主成分分析(pca)从所述一或多个质量度量提取一组主成分；产生输入数据，其中所述输入数据包括所述一组主成分的子集，且所述子集中的每一主成分具有高于阈值方差的方差；将所述输入数据输入到监督式机器学习算法的输入矩阵中以训练预测模型；以及在所述预测模型的输出向量中识别用于所述重叠计量学系统的配方或硬件配置中的至少一者。13.根据权利要求12所述的重叠计量学系统，其中用于所述重叠计量学系统的所述配方或所述硬件配置中的所述至少一者与最小残差值相关。14.根据权利要求13所述的重叠计量学系统，其中包含所述一或多个处理器的所述控制器进一步经配置以执行程序指令，所述程序指令致使所述一或多个处理器提供一或多个控制指令以将所述重叠计量学子系统调整到与所述最小残差值相关的所述配方或所述硬件配置中的至少一者。15.根据权利要求12所述的重叠计量学系统，其中所述重叠计量学子系统包括基于成像的重叠计量学子系统或基于散射测量的重叠计量学子系统。16.一种训练预测模型的方法，其包括：接收来自重叠计量学子系统的一或多个重叠测量；使用所述一或多个测量产生一或多个质量度量；使用主成分分析(pca)从所述一或多个质量度量提取一组主成分；产生输入数据，其中所述输入数据包括所述一组主成分的子集，且所述子集中的每一主成分具有高于阈值方差的方差；将所述输入数据输入到监督式机器学习算法的输入矩阵中以训练所述预测模型；以及在所述预测模型的输出向量中识别用于所述重叠计量学子系统的配方或硬件配置中的至少一者。17.根据权利要求16所述的方法，其中用于所述重叠计量学系统的所述配方或所述硬件配置中的所述至少一者与最小残差值相关。18.根据权利要求17所述的方法，其进一步包括提供一或多个控制指令以将所述重叠计量学子系统调整到与所述最小残差值相关的所述配方或所述硬件配置中的至少一者。19.根据权利要求16所述的方法，其中所述重叠计量学子系统包括基于成像的重叠计量学子系统或基于散射测量的重叠计量学子系统。20.根据权利要求16所述的方法，其中所述预测模型的所述输出向量包括多个预测模型的多个输出向量的平均值。21.根据权利要求16所述的方法，其中所述输入矩阵包括多个列及行，所述列中的每一者表示质量度量的类型，且所述行中的每一者表示用于所述重叠计量学子系统的配方或硬件配置。22.根据权利要求16所述的方法，其中所述输出向量包括行，且所述行中的每一者表示残差值。23.根据权利要求16所述的方法，其中所述监督式机器学习算法包括线性回归。
24.根据权利要求16所述的方法，其中所述监督式机器学习算法包括决策树(dt)。25.根据权利要求16所述的方法，其中所述监督式机器学习算法包括支持向量机回归(svm-r)。26.根据权利要求16所述的方法，其中所述监督式机器学习算法包括高斯过程(gp)。27.根据权利要求16所述的方法，其中所述监督式机器学习算法包括神经网络(nn)。
技术总结
本发明公开一种重叠计量学系统。所述重叠计量学系统包含经配置以与重叠计量学子系统以通信方式耦合的控制器。所述控制器接收来自所述重叠计量学子系统的重叠测量并产生一或多个质量度量。所述控制器从所述一或多个质量度量提取一组主成分。所述控制器产生输入数据并将所述输入数据输入到监督式机器学习算法的输入矩阵中以训练预测模型。所述控制器接着识别具有最小残差值的配方或硬件配置。识别具有最小残差值的配方或硬件配置。识别具有最小残差值的配方或硬件配置。
技术研发人员：李玮骅 魏石铭
受保护的技术使用者：科磊股份有限公司
技术研发日：2020.07.20
技术公布日：2022/5/17