【技术实现步骤摘要】
一种喷印墨滴落点误差预测方法
[0001]本专利技术属于喷墨打印
，更具体地，涉及一种喷印墨滴落点误差预测方法。
技术介绍
[0002]喷墨打印技术作为一种新兴的OLED制造工艺，相比于传统的真空蒸镀工艺，在材料利用率、制造成本、制造尺寸、制造难度上都有着无可比拟的优势，被认为是OLED生产的下一代大规模制造方法。
[0003]喷墨打印技术能够在OLED制造领域获得产业化应用的前提是喷印精度高，墨滴的落点误差大小将直接影响高分辨率显示器发光层发光的均匀性和效率。因此，如何获得喷印墨滴落点误差从而对其进行补偿成为喷墨打印技术作为OLED制造工艺面临的主要挑战之一。
[0004]在实际工业级生产中，墨滴的落点误差会受到不同因素的影响，其中包括墨滴体积、墨滴飞行速度、墨滴飞行角度等墨滴飞行特征。然而，这些因素与墨滴落点误差的映射关系涉及到多参数耦合，其定量关系研究具有较大的难度，无论是理论研究还是用数学的方式通过实验数据进行回归分析，都存在一定问题。
[0005]现有技术有提出一些获得喷印墨滴落点误差...
【技术保护点】
【技术特征摘要】
1.一种用于喷印墨滴落点误差预测的LSTM神经网络模型构建方法，其特征在于，包括：确定LSTM神经网络模型的网络结构，采用改进双粒子群优化算法优化所述网络结构的超参数，对超参数优化后的网络结构采用训练样本集训练，得到用于喷印墨滴落点误差预测的LSTM神经网络模型；所述超参数的优化方式为：S1、设置并初始化主粒子群和辅助粒子群，包括初始化各粒子的初始速度、初始位置，每个粒子代表所述网络结构的超参数集合；设置适应度函数，并计算每个粒子的适应度值以确定初始的全局最优解；S2、基于当前的全局最优解，在设定的空间搜索范围内第t次迭代更新每个粒子的速度及位置，其中，对主粒子群进行全局搜索，对辅助粒子群进行多样性搜索；并对更新后的每个粒子位置利用Levy飞行步长扰动，将扰动前后适应度值最佳的粒子位置作为该粒子的最终粒子位置；基于每个粒子的最终粒子位置，计算每个粒子的适应度值，以得到粒子群全局最优解；对该全局最优解进行混沌局部搜索，得到迭代t次后全局最优解；S3、更新t＝t+1，重复执行S2，直至达到优化迭代目标，将最后的全局最优解作为优化后的所述网络结构的超参数集合；其中，所述适应度函数是通过网络模型的预测精度指标表征，该模型为粒子对应的网络结构经过训练样本集训练后得到，每个样本包括作为模型输入的墨滴飞行特征数据及其对应的作为模型输出的墨滴落点误差数据。2.根据权利要求1所述的LSTM神经网络模型构建方法，其特征在于，在初始化主粒子群和辅助粒子群时，采用Tent混沌映射所生成的序列作为用于初始化的随机数来源。3.根据权利要求1所述的LSTM神经网络模型构建方法，其特征在于，所述主粒子群的速度和位置更新公式为：式中，t为迭代次数；c1和c2为学习因子；ω
i
为惯性权重；rand取[0，1]的随机数；V
i
(t)和X
i
(t)分别为迭代t次后的第i个粒子的速度和位置变量；P
i
(t)为迭代t次后第i个粒子的个体最优解；G(t)为迭代t次后全局最优解；在对所述辅助粒子群的速度和位置进行更新时，对两个种群的所有粒子在各自当前位置上的适应度值进行排序，取出前K个粒子并随机从该K个粒子中选一个粒子替代所述G(t)，用best
k
(t)表示，更新当前待更新辅助粒子的速度和位置，更新公式为：其中，在对每个粒子求出V
i
(t+1)后，将V
i
(t+1)与设置的V
max
、V
min
进行比较以确定V
i
(t+1)的最终取值。4.根据权利要求3所述的LSTM神经网络模型构建方法，其特征在于，所述V
i
(t+1)的最终取值的确定方式为：
式中，V
max
为速度的上限，V
min
为速度的下限，分别定义为：式中，X
max
为位置的上界，X
min
为位置的下界。5.根据权利要求4所述的LSTM神经网络模型构建方法，其特征在于，所述惯性权重采用自适应函数动态调整，具体包括：对每个粒子的适应度值采用反正切函数进行无量纲处理，如下所示：fstd
i
＝2
×
tan
‑1(f(X
i
...
【专利技术属性】
技术研发人员：陈建魁，尹周平，熊镜凯，朱红，孔德义，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。