(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221076273 3.3 (22)申请日 2022.06.30 (71)申请人 哈尔滨工业大 学 地址 150000 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 李兴冀　张英涛　徐晓东　刘研　 (74)专利代理 机构 北京隆源天恒知识产权代理 有限公司 1 1473 专利代理师 丁晴晴 (51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) G06Q 10/04(2012.01) G06F 17/18(2006.01) G06F 119/14(2020.01)G06F 111/10(2020.01) (54)发明名称 一种基于空间辐照的PKA信息的智能预测方 法及系统 (57)摘要 本发明提供了一种基于空间辐 照的PKA信息 的智能预测方法及系统。 所述方法包括： 从数据 集中获取样 本数据， 并将所述样 本数据划分为训 练集和测试集， 所述样本数据包括入射粒子的信 息以及入射粒子辐照器件后产生的PKA的信息； 定义所述训练集和所述测试集中分别使用的自 变量和因变量； 根据所述自变量和所述因变量建 立线性回归模型； 对所述线性回归模型进行评 估； 根据对 所述线性回归模型的评估 结果确定线 性回归的预测次数。 本发明通过人工智能计算和 预测仿真方法， 可以预测不同辐照条件下材料产 生的PKA相应信息， 进而分析PKA信息对半导体器 件辐照损伤过程的影响， 为器件辐照损伤实时性 分析、 材料选 取提供重要依据， 且预测效率高、 成 本低。 权利要求书2页 说明书5页 附图2页 CN 115203917 A 2022.10.18 CN 115203917 A 1.一种基于空间辐照的PKA信息的智能预测方法， 其特 征在于， 包括： 从数据集中获取样本数据， 并将所述样本数据划分为训练集和测试集， 所述样本数据 包括入射粒子的信息以及入射粒子辐照器件后产生的PKA的信息； 定义所述训练集和所述测试集中分别使用的自变量和因变量； 根据所述自变量和所述因变量建立线性回归 模型； 对所述线性回归 模型进行评估； 根据所述线性回归 模型的评估结果确定线性回归的预测次数。 2.根据权利要求1所述的基于空间辐照的PKA信息的智能预测方法， 其特征在于， 所述 将所述样本数据划分为训练集和测试集包括： 采用交叉验证方法对所述样本数据进行划 分。 3.根据权利要求1所述的基于空间辐照的PKA信息的智能预测方法， 其特征在于， 在所 述建立线性回归模型之前还包括： 根据所述入射粒子的信息判断是否对所述样本数据进 行 预处理， 若是， 则对所述样本进行预处理， 所述预处理包括数据归一化、 数据差分处理， 否 则， 基于所述样本数据建立所述线性回归 模型。 4.根据权利要求1所述的基于空间辐照的PKA信息的智能预测方法， 其特征在于， 所述 建立线性回归模型包括： 利用最小二乘函数对所述自变量和所述因变量之 间的关系进 行建 模。 5.根据权利要求1所述的基于空间辐照的PKA信息的智能预测方法， 其特征在于， 所述 建立线性回归 模型包括： 获取所述自变量与所述因变量之间的散点图； 获取所述散点图的信息层次； 根据所述信息层次判断是否建立回归曲线， 当所述散点图满足建模要求时， 建立所述 回归曲线。 6.根据权利要求5所述的基于空间辐照的PKA信息的智能预测方法， 其特征在于， 所述 信息层次包括所述散点图的线索趋势、 所述自变量与所述因变量之 间的相关性以及所述散 点图中偏离 趋势的强影响点的数量。 7.根据权利要求6所述的基于空间辐照的PKA信息的智能预测方法， 其特征在于， 所述 建模要求包括所述散点图具有线索趋势、 所述自变量与所述因变量之间的相关性是线性 的、 所述散点图中偏离 趋势的强影响点数量小于设定值。 8.根据权利要求5所述的基于空间辐照的PKA信息的智能预测方法， 其特征在于， 所述 建立线性回归模型还包括： 对所述回归曲线进行实测分析， 建立回归方程， 其中， 当所述自 变量为一个时， 所述回归方程 为 其中， x为所述自变量， 为所述因变量， θ为检验 回归系数， n为所述自变量的最高次方 的次数。 9.根据权利要求1所述的基于空间辐照的PKA信息的智能预测方法， 其特征在于， 所述 对所述线性回归模型进行评估包括： 采用平均绝对误差和均方误差对所述线性回归模型进 行误差计算。权　利　要　求　书 1/2 页 2 CN 115203917 A 210.一种基于空间辐照的PKA能量及分布的预测系统， 其特 征在于， 包括： 获取模块， 用于获取样本数据， 所述样本数据包括入射粒子的信息以及入射粒子辐照 器件后产生的PKA的信息； 划分模块， 用于将所述样本数据划分为训练集和 测试集； 变量定义模块， 用于分别定义所述训练集和所述测试集中的自变量和因变量； 模型构建模块， 用于建立线性回归 模型； 评估模块， 用于对所述线性回归模型进行评估， 并根据评估结果确定所述线性回归的 预测次数。权　利　要　求　书 2/2 页 3 CN 115203917 A 3