【技术实现步骤摘要】
本申请涉及智能控制领域，且更为具体的涉及一种分级金手指的制作方法及其系统。
技术介绍
1、印刷电路板(pcb)是重要的电子部件，作为电子元器件电气连接的提供者。要将两pcb相互连接时，通常采用金手指进行连接。连接时，是将其中一pcb的金手指插入另一pcb的插槽上。该种金手指连接方式为计算机硬件行业中常用的硬件连接方式，例如内存条、pc板卡、声卡等均采用该种方法。随着金手指非计算机行业应用的增多，金手指连接方式的一些问题逐渐暴露出来。由于非计算机行业对于热插拔的要求高，为使热插拔过程不损伤器件，标准组织(如amc/micro tca)将金手指分为不同长度，即分级金手指，以便使不同类型的信号在不同的时刻与连接器接触。传统的pcb分级金手指的制作技术的主要流程包括：前处理、选化、镀金、蚀刻、去膜、后工序。而由此所产生的一个问题是传统的分级金手指的加工技术在镀金后用蚀刻去掉金手指引线时存在无法将电金引线完全去除的问题。
2、因此，期待一种优化的分级金手指制作方案。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种分级金手指的制作方法及其系统，其使用基于深度学习模型的人工智能技术来对蚀刻液的温度、浓度和流速进行特征提取和编码，以得到用于表示当前时间点的蚀刻温度应增大或者减小的分类结果。这样通过智能优化蚀刻过程中的参数，将电金引线完全去除，提高了pcb分级金手指的制作质量。
2、根据本申请的一个方面，提供了一种分级金手指的制作方法，其包括：
3、获取多个预定时间点的蚀刻液的温度值、浓度值和流速值；
4、将所述蚀刻液的温度值、浓度值和流速值分别按照时间维度排列为第一输入向量、第二输入向量和第三输入向量；
5、将所述第一输入向量通过多尺度邻域特征提取模块以得到第一多尺度特征向量；
6、将所述第二输入向量通过多尺度邻域特征提取模块以得到第二多尺度特征向量；
7、将所述第三输入向量通过多尺度邻域特征提取模块以得到第三多尺度特征向量；
8、将所述第一多尺度特征向量、所述第二多尺度特征向量和所述第三多尺度特征向量进行融合得到全局特征矩阵后通过卷积神经网络模型以得到分类特征图；
9、对所述分类特征图进行基于插值向量的位移秩序化以得到优化分类特征图；
10、将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的蚀刻温度应增大或者减小。
11、在上述的分级金手指的制作方法中，将所述第一输入向量通过多尺度邻域特征提取模块以得到第一多尺度特征向量，包括：
12、使用所述多尺度邻域特征提取模块的第一卷积层对所述第一输入向量进行一维卷积编码以得到所述第一尺度特征向量；
13、使用所述多尺度邻域特征提取模块的第二卷积层对所述第一输入向量进行一维卷积编码以得到所述第二尺度特征向量；
14、将所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述第一多尺度特征向量。
15、在上述的分级金手指的制作方法中，使用所述多尺度邻域特征提取模块的第一卷积层对所述第一输入向量进行一维卷积编码以得到所述第一尺度特征向量，包括：
16、使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述第一输入向量进行一维卷积编码以得到所述第一尺度特征向量；
17、其中，所述第一卷积公式为：
18、
19、其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述第一输入向量，cov(x)表示对所述一维特征向量分别进行一维卷积编码。
20、在上述的分级金手指的制作方法中，使用所述多尺度邻域特征提取模块的第二卷积层对所述第一输入向量进行一维卷积编码以得到所述第二尺度特征向量，包括：
21、使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述第一输入向量进行一维卷积编码以得到所述第二尺度特征向量；
22、其中，所述第二卷积公式为：
23、
24、其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述第一输入向量，cov(x)表示对所述一维特征向量分别进行一维卷积编码。
25、在上述的分级金手指的制作方法中，将所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述第一多尺度特征向量，包括：
26、以如下级联公式融合所述第一尺度特征向量和所述第二尺度特征向量以得到所述第一多尺度特征向量；
27、其中，所述级联公式为：
28、v＝concat[v1,v2]
29、其中，v1表示所述第一尺度特征向量，v2表示所述第二尺度特征向量，v表示所述第一多尺度特征向量，concat[·,·]表示级联函数。
30、在上述的分级金手指的制作方法中，将所述第一多尺度特征向量、所述第二多尺度特征向量和所述第三多尺度特征向量进行融合得到全局特征矩阵后通过卷积神经网络模型以得到分类特征图，包括：
31、使用所述卷积神经网络模型的各层在层的正向传递中分别进行：
32、对输入数据进行基于所述二维卷积核的卷积处理以得到卷积特征图；
33、对所述卷积特征图进行基于各个局部特征矩阵的池化以得到池化特征图；
34、对所述池化特征图进行非线性激活以得到激活特征图；
35、其中，所述卷积神经网络模型的最后一层的输出为所述分类特征图，所述卷积神经网络模型的第一层的输入为所述全局特征矩阵。
36、在上述的分级金手指的制作方法中，对所述分类特征图进行基于插值向量的位移秩序化以得到优化分类特征图，包括：
37、对所述分类特征图进行沿通道维度的全局均值池化以得到全局分类语义特征向量；
38、将所述全局分类语义特征向量通过基于线性插值的全局语义表征强化器以得到强化全局分类语义特征向量；
39、将所述分类特征图的沿通道维度的各个特征矩阵展开为特征向量以得到多个分类局部特征向量；
40、计算所述各个分类局部特征向量与所述强化全局分类语义特征向量之间的关联矩阵以得到多个整体-局部语义关联特征矩阵；
41、将所述多个整体-局部语义关联特征矩阵通过基于softmax函数的离群量化位移度量器以得到多个离群量化位移特征值；
42、所述多个离群量化位移特征值分别作为权重，对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述优化分类特征图。
43、在上述的分级金手指的制作方法中，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的蚀刻温度应增大或本文档来自技高网...
【技术保护点】
1.一种分级金手指的制作方法，其特征在于，包括：
2.根据权利要求1所述的分级金手指的制作方法，其特征在于，将所述第一输入向量通过多尺度邻域特征提取模块以得到第一多尺度特征向量，包括：
3.根据权利要求2所述的分级金手指的制作方法，其特征在于，使用所述多尺度邻域特征提取模块的第一卷积层对所述第一输入向量进行一维卷积编码以得到所述第一尺度特征向量，包括：
4.根据权利要求3所述的分级金手指的制作方法，其特征在于，使用所述多尺度邻域特征提取模块的第二卷积层对所述第一输入向量进行一维卷积编码以得到所述第二尺度特征向量，包括：
5.根据权利要求4所述的分级金手指的制作方法，其特征在于，将所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述第一多尺度特征向量，包括：
6.根据权利要求5所述的分级金手指的制作方法，其特征在于，将所述第一多尺度特征向量、所述第二多尺度特征向量和所述第三多尺度特征向量进行融合得到全局特征矩阵后通过卷积神经网络模型以得到分类特征图，包括：
7.根据权利要求6所述的分级金手指的制作方法，
8.根据权利要求7所述的分级金手指的制作方法，其特征在于，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前时间点的蚀刻温度应增大或者减小，包括：
9.一种分级金手指的制作系统，其特征在于，包括：
10.根据权利要求9所述的分级金手指的制作系统，其特征在于，所述温度控制结果生成模块，用于：
...【技术特征摘要】
1.一种分级金手指的制作方法，其特征在于，包括：
2.根据权利要求1所述的分级金手指的制作方法，其特征在于，将所述第一输入向量通过多尺度邻域特征提取模块以得到第一多尺度特征向量，包括：
3.根据权利要求2所述的分级金手指的制作方法，其特征在于，使用所述多尺度邻域特征提取模块的第一卷积层对所述第一输入向量进行一维卷积编码以得到所述第一尺度特征向量，包括：
4.根据权利要求3所述的分级金手指的制作方法，其特征在于，使用所述多尺度邻域特征提取模块的第二卷积层对所述第一输入向量进行一维卷积编码以得到所述第二尺度特征向量，包括：
5.根据权利要求4所述的分级金手指的制作方法，其特征在于，将所述第一尺度特征向量和所述第二尺度特征向量进行级联以得到所述第一多尺度特征向量，...
【专利技术属性】
技术研发人员：陈星，王科进，王松，
申请(专利权)人：江西威尔高电子股份有限公司，
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。