一种基于多层感知器神经网络的TR组件金丝键合工艺参数预测方法

本发明公开了一种基于多层感知器神经网络的TR组件金丝键合工艺参数预测方法，属于微波器件智能制造技术领域。该方法通过融合多层感知器神经网络与参数化电磁仿真，构建了金丝键合几何参数与射频性能的智能映射模型。具体包括：采用拉丁超立方采样在工艺参数空间生成45组样本；通过批处理电磁仿真获取S参数数据集；对数据进行Box‑Cox变换和归一化预处理；通过构建3‑32‑16‑2结构的MLP神经网络模型，利用贝叶斯优化确定超参数；训练完成后实现从目标性能到工艺参数的快速反向映射。本发明将传统试验次数从200次以上降至45次，S21预测均方根误差≤0.12dB，决定系数≥0.96，参数反推时间<5秒，实现了从仿真、训练、优化到生产下发的全流程自动化，显著提升了TR组件开发效率。