一种基于机器学习的等离子体活性基团调控方法

本发明涉及一种基于机器学习的等离子体活性基团调控方法，包括：采集等离子体放电条件数据和等离子体活性基团参数数据；基于梯度提升树模型计算各个放电条件的输入特征对基团性质的目标变量的贡献度，得到特征重要性得分，并筛选出重要性较高的输入特征；采用SHAP解释模型，通过SHAP值衡量筛选后的每个输入特征对目标变量的边际贡献，筛选出对等离子体活性基团参数数据影响显著的输入特征；建立等离子体放电参数与活性基团参数的非线性回归模型，进行等离子体活性基团参数预测，并通过闭环反馈机制进行放电参数的自动调整。与现有技术相比，本发明显著提升了分析效率，并有效提高了多参数耦合下等离子体活性基团性质预测和调控的准确性。