[发明专利]基于大数据的液晶显示器响应时间预测方法

权利要求书

1.一种基于大数据的液晶显示器响应时间预测方法，其特征在于，包括如下步骤：

(1)获取液晶显示器生产过程数据集I₁：

对采集的生产过程中液晶显示器的特征数据和每道工序所使用设备的参数数据进行去重，得到液晶显示器生产过程数据集I₁；

(2)判断数据集I₁中是否存在缺失的特征数据：

统计I₁中特征数据数量n和非空特征数据数量m，若n不等于m，则I₁中存在缺失的特征数据；

(3)对I₁中缺失的特征数据进行填充：

(3a)设置I₁中特征数据的离散性阈值为β；

(3b)根据I₁中的每道工序所使用设备的参数数据及其对应的特征数据，计算特征数据中存在缺失数据的列的长度，同时统计存在缺失数据列中特征数据的类别，并通过存在缺失数据列的长度和列中特征数据的类别，计算特征数据缺失列的离散性系数；

(3c)当特征数据缺失列的离散性系数大于β时，用特征数据缺失列数据的众数对I₁中缺失的特征数据进行填充，当特征数据缺失列的离散性系数小于或等于β时，用特征数据缺失列数据的均值对I₁中缺失的特征数据进行填充，得到完整的特征数据集；

(4)提取完整的特征数据集中的关键特征数据：

(4a)对完整的特征数据集进行归一化，得到归一化后的特征数据集I₂；

(4b)对I₂中的每个特征数据进行单因素方差分析：

计算I₂中每个特征数据的统计检验量，并将大于预先设置的阈值F_a的统计检验量对应的特征数据进行合并，得到特征数据集I₃；

(4c)对I₃中的两两特征数据进行距离相关性分析：

计算I₃中两两特征数据之间的距离相关系数，并将小于预先设置的阈值α的距离相关系数对应的特征数据进行合并，得到关键特征数据集I₄；

(5)构建液晶显示器响应时间预测模型：

(5a)将关键特征数据集I₄中70％的数据作为训练集数据train，其余的数据作为测试集数据test；

(5b)采用XGboost算法对训练集数据train进行训练，得到液晶显示器响应时间预测模型；

(6)对液晶显示器响应时间进行预测：

将测试集数据test输入液晶显示器响应时间预测模型，得到液晶显示器的响应时间。

2.根据权利要求1所述的基于大数据的液晶显示器响应时间预测方法，其特征在于，步骤(1)中所述的生产过程中液晶显示器的特征数据和每道工序所使用设备的参数数据，其中，液晶显示器的特征数据包括显示器尺寸、液晶粘滞系数、液晶介电系数、电压、电流、液晶倾角、金属膜厚度、涂膜厚度、制盒数据、基板扭曲值、液晶滴入量、液晶盒厚度和刻蚀倾角；设备的参数数据包括每道工序所使用设备的电压、功率和消耗的时间。

3.根据权利要求1所述的基于大数据的液晶显示器响应时间预测方法，其特征在于，步骤(4c)中所述的计算I₃中两两特征数据之间的距离相关系数，实现步骤为：

(4c1)计算I₃中X列中特征数据之间的距离矩阵a_j，k和Y列中特征数据之间的距离矩阵得到距离矩阵b_j，k，计算公式分别为：

a_j，k＝||X_j-X_k||，j，k＝1，2，...，n

b_j，k＝||Y_j-Y_k||，j，k＝1，2，...，n

其中j表示I₃的第j行，k表示I₃的第k行，X_j、X_k分别表示X中第j行的特征数据和X中第k行的特征数据，Y_j、Y_k分别表示Y中第j行的特征数据和Y中第k行的特征数据；

(4c2)计算I₃中X列中特征数据的中心距离矩阵A_j，k和Y列中特征数据的中心距离矩阵B_j，k，计算公式分别为：

其中是a_j，k中第j行的平均值，是a_j，k中第k行的平均值，是矩阵a_j，k的总均值，是b_j，k中第j行的平均值，是b_j，k中第k行的平均值，是矩阵b_j，k的总均值；

(4c3)计算I₃中X列中特征数据与Y列中特征数据之间的距离协方差计算公式为：

(4c4)计算I₃中X列中特征数据的距离方差与Y列中特征数据的距离方差计算公式为：

(4c5)计算I₃中X列中特征数据与Y列中特征数据之间的距离相关系数计算公式为：