1.一种磁控镀膜仪工艺参数的优化方法,其特征在于,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、透光率以及薄膜厚度,将获得的电阻率、透光率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、透光率以及厚度作为输出,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神经网络模型初始的权值和阈值,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神经网络模型,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镀膜仪的工艺参数,其中,使用步骤四训练得到的神经网络模型的预测输出构建适应度函数F2,适应度函数F2取:其中F2为适应度函数,ρ2为步骤四得到的神经网络模型预测的薄膜电阻率,η2为步骤四得到的神经网络模型预测的薄膜透光率,δ2为 步骤四得到的神经网络模型预测的薄膜厚度,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。
2.根据权利要求1所述的磁控镀膜仪工艺参数的优化方法,其特征在于,所述步骤一中的薄膜的电阻率、透光率以及薄膜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。
3.根据权利要求1所述的磁控镀膜仪工艺参数的优化方法,其特征在于,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。
4.根据权利要求1所述的磁控镀膜仪工艺参数的优化方法,其特征在于,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,Hl为第l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个个体在j位上的实数,alj是第l个个体在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;
3.6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。
5.根据权利要求4所述的磁控镀膜仪工艺参数的优化方法,其特征在于:适应度函数F1取:其中,F1为适应度函数,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为薄膜电阻率目标值,η0为透光率目标值,δ0为薄膜厚度目标值。
6.根据权利要求1所述的磁控镀膜仪工艺参数的优化方法,其特征在于:步骤四中的神经网络的代价函数J设置为:其中,m为数据的个数,n为输入层节点数,
yp为输出节点p的实际输出,targetp为输出节点p的期望输出。
7.根据权利要求1所述的磁控镀膜仪工艺参数的优化方法,其特征在于: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:(l) (l) (l‑1) (l)
net =w *y +b
(l) (l)
y =fl(net )
(l) (l)
其中,net 是神经网络第l层神经元的输入,w 是第l‑1层神经元到l层神经元的权(l) (l)值,b 是第l层神经元的阈值,y 是第l层神经元的输出,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:
(l)
其中,J为神经网络的代价函数,α是神经网络的学习率,w 是第l‑1层神经元到l层神(l)经元的权值,b 是第l层神经元的阈值。