买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学;中国电子科技集团公司第十研究所申请的专利基于SMT质量大数据的高维特征重构与融合方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116628623B 。

龙图腾网通过国家知识产权局官网在2025-07-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310590118.3，技术领域涉及：G06F18/25；该发明授权基于SMT质量大数据的高维特征重构与融合方法是由常建涛;原韻松;朱孟达;孔宪光;陈维波;刘潇龙设计研发完成，并于2023-05-24向国家知识产权局提交的专利申请。

本基于SMT质量大数据的高维特征重构与融合方法在说明书摘要公布了：本发明公开一种基于SMT质量大数据的高维特征重构与融合方法，主要解决现有技术中数据利用率低，特征维数过少和预测模型准确率低的问题。其实现方案为：对SMT产线文本数据集及结构化数据集进行预处理；构建并训练文本数据特征提取模型，得到文本数据提取特征；构建结构化数据特征提取模型，得到结构化数据提取特征；合并及去重文本数据和结构化数据提取的特征；采用堆栈式自编码器及基于均方误差与平均绝对百分比误差结合的方法对所提取的特征进行重构与融合。本发明提高了SMT企业数据的利用率，实现了文本数据与结构化数据的融合，数据维度提升到了50维以上，提高了模型的准确率，可用于对SMT产线质量大数据的多模态数据处理。

本发明授权基于SMT质量大数据的高维特征重构与融合方法在权利要求书中公布了：1.一种基于SMT质量大数据的高维特征重构与融合方法，其特征在于，包括如下步骤： 1获取SMT产线质量大数据中的文本数据和结构化数据，分别对文本数据和结构化数据进行预处理，得到预处理后的SMT产线文本数据集和SMT产线结构化数据集； 2分别提取预处理后的SMT产线预文本数据集和SMT产线结构化数据集的特征，得到文本特征集和数据特征集； 3将文本特征集和数据特征集进行合并及去重处理，并依据合并及去重后的特征集筛选原始结构化数据集，将筛选后的数据集划分为工艺、质量、生产、设备和除这四种类别外的其它数据集； 4构建激活函数不同的5种包含编码器和解码器的集成堆栈式自编码器SAE特征重构模型： 建立以Tanh为激活函数的SAE特征重构模型； 建立以Sigmoid为激活函数的SAE特征重构模型； 建立以Relu为激活函数的SAE特征重构模型； 建立以Softmax为激活函数的SAE特征重构模型； 建立以ReLU6为激活函数的SAE特征重构模型； 5对SAE特征重构模型进行迭代训练，获得特征重构结果： 5a将工艺、质量、生产、设备和除这四种类别外的其它数据集均输入到5种不同的SAE特征重构模型中，输出每一类数据在每一种SAE特征重构模型中得到的质量指标的预测值； 5b设定每种SAE特征重构模型的损失函数MSE，并通过质量指标的预测值和实际值计算出SAE特征重构模型的损失值Jk； 5c通过反向传播方法计算损失值Jk的损失梯度再采用随机下降梯度法，通过损失梯度对SAE特征重构模型中编码器与解码器的权重wk进行更新，直到Jk0.1，则停止训练，将最后一次迭代的输出结果作为每一类数据的特征重构结果； 6对每一类数据特征重构结果进行融合： 6a将步骤5b得到的损失值Jk作为每一类数据中每一种SAE特征重构模型的均方误差M，根据步骤5a的每一类数据对应的质量指标的预测值，得到每一类的每一种SAE特征重构模型的平均绝对百分比误差MAPE； 6b基于SAE特征重构模型的MSE和MAPE对每一次重构的数据集进行加权融合，得到融合结果： 6b1计算每一类SAE特征重构模型协同误差： 其中，Ej代表每一类数据集中第j种SAE特征重构模型基于第j个均方误差M和第j个平均绝对百分比误差MAPE的协同误差，j∈[1,5]的整数； 6b2根据协同误差计算每一类SAE特征重构模型在每一类数据集中的权重： 其中，wj为每一类数据集在第j种SAE特征重构模型的权重，n为每一类数据集对应SAE特征重构模型个数； 6b3根据每一类数据集中每一类SAE特征重构模型的权重，将每一类数据的特征重构结果进行融合，得到每一类数据集的新特征Fa： 其中，x为当前类别的数据特征重构结果，a∈[1,5]的整数； 6c将每一类的数据集的新特征Fa进行合并，得到融合结果F。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学;中国电子科技集团公司第十研究所，其通讯地址为：710071 陕西省西安市雁塔区太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。