1.一种石英坩埚表面处理的智能化涂层优化方法，其特征在于，包括以下步骤：步骤1：采集石英坩埚表面处理过程中的涂层材料数据、表面处理环境数据、涂层工艺数据以及性能测试数据，将所述性能测试数据作为训练集数据的真实结果标签；

步骤2：对采集的数据进行去噪，以及缺失值识别和填充，最后进行数据归一化处理；

步骤3：基于预处理后的数据采用皮尔逊相关系数以及主成分分析法进行特征筛选，得到一组关键性特征；

对于一个样本中一个特征数据存在多个测量点的数据，所述皮尔逊相关系数进行特征筛选的步骤如下：基于权重因子和平滑因子计算特征与目标变量之间的皮尔逊相关系数：式中：rxy(j)表示第j个特征变量与目标变量之间的平滑后的皮尔逊相关系数；表示第i个样本的第j个特征变量平均值；表示表示所有样本中第j个特征变量的平均值；yi表示第i个样本的目标变量的值；表示所有样本的目标变量平均值；wij表示表示第i个样本的第j个特征变量的平均权重因子；αij表示第i个样本的第j个特征变量的平均平滑因子；

其中平滑因子的计算公式如下：

式中：αik表示第i个样本的第j个特征的第k个测量值的平滑因子；residualik表示第i个样本的第j个特征的第k个测量值相对于该样本的第j个特征变量平均值的残差；median(|residualsi|)表示第i个样本的特征变量测量值残差绝对值的中位数；e表示自然对数的底数；M表示第i个样本中第j个特征变量的测量值数量；

权重因子的计算公式如下：

式中：wik表示第i个样本的第j个特征的第k个测量值的权重因子；xik表示第i个样本的第j个特征的第k个测量值的特征数据值；variance(xik)表示第i个样本的第j个特征的第k个测量值的特征数据方差；mean variance(xj)表示所有样本的第j个特征的数据方差的平均值；

基于计算出的皮尔逊相关系数的绝对值从高到低进行排序，选择前k个皮尔逊相关系数所对应的特征作为主成分分析的输入；

对于一个样本中一个特征数据只存在一个测量值时，皮尔逊相关系数的计算方式如下：式中：rxy表示特征x与目标变量y之间的皮尔逊相关系数；xi表示第i个样本的特征值；yi表示第i个样本的目标变量值；表示特征x所有样本的均值；表示目标变量y的所有样本均值；N表示样本的数量；

基于计算出的皮尔逊相关系数的绝对值从高到低进行排序，选择前k个皮尔逊相关系数所对应的特征作为主成分分析的输入；

步骤4：基于得到的关键性特征对深度神经网络进行训练，得到训练好的深度神经网络，基于训练好的深度神经网络得到涂层性能；

步骤5：基于预测的涂层性能采用粒子群优化算法对涂层工艺参数进行优化，得到最优的涂层工艺参数组合。

2.根据权利要求1所述的一种石英坩埚表面处理的智能化涂层优化方法，其特征在于，所述深度神经网络包括输入层、特征交叉层、中间层以及输出层；

所述输入层用于接收输入深度神经网络的特征向量；

所述特征交叉层采用内积交叉和乘积交叉的方式生成新的特征，再通过ReLU激活函数进行非线性转换后输出给中间层；

所述中间层接收特征交叉层输出的特征，并基于多个全连接层进行特征提取，在每个全连接层中加入残差连接，其中激活函数采用ReLU激活函数来引入非线性，并在所述中间层中引入正则化项防止过拟合；

输出层：采用一个全连接层，包含一个神经元，输出最终的预测的涂层性能。

3.根据权利要求2所述的一种石英坩埚表面处理的智能化涂层优化方法，其特征在于，所述特征交叉层进行数据处理的步骤如下：设输入特征向量为X＝[x1,x2,…,xn]，其中xi表示第i个特征，n表示特征的总数；

内积交叉：对特征xi和xj进行内积交叉，生成新的交叉特征：式中：zij表示特征xi和xj进行内积交叉后的生成的特征，对每一对特征均进行内积交叉；

元素级乘积交叉：对所有特征进行逐元素乘积操作，得到交叉特征：z＝X⊙X＝[x1·x2,x1·x3,…,xn-1·xn]；

式中：⊙表示元素级乘积操作；

生成交叉特征矩阵：将内积交叉和元素级乘积交叉的结果进行拼接，生成一个新的特征矩阵Z：Z＝[z12,z13,…,zij,z]；

式中：Z表示生成的交叉特征向量，包含了所有特征对的内积交叉和逐元素乘积交叉；

采用ReLU激活函数对生成的特征矩阵Z进行非线性转换后输出给中间层。

4.根据权利要求2所述的一种石英坩埚表面处理的智能化涂层优化方法，其特征在于，所述深度神经网络的损失函数如下：式中：L表示损失函数的值；N表示样本数量；yi表示第i个样本的真实标签值；表示第i个样本的预测值；λ表示正则化系数；M表示模型中所有权重参数的数量；Wj表示第j个权重参数。

5.根据权利要求1所述的一种石英坩埚表面处理的智能化涂层优化方法，其特征在于，所述步骤5包括以下步骤：初始化粒子群：设涂层工艺参数有d个维度，定义粒子群中的每个粒子为一个d维向量，表示一组工艺参数组；初始化粒子群中的每个粒子的位置和速度：xi＝(xi1,xi2,…,xid),vi＝(vi1,vi2,…,vid)；

式中：i表示粒子索引；d表示工艺参数的维度；xi表示第i个粒子的位置；vi表示第i个粒子的速度；xid表示第i个粒子的第d个维度的位置；vid表示第i个粒子的第d个维度的速度；

计算粒子的适应度：基于训练好的深度神经网络预测每个粒子的涂层性能，基于预测的涂层性能计算每个粒子的适应度：f(xi)＝-Predicted Performance(xi)；

式中：Predicted Performance(xi)表示深度神经网络预测的每个粒子的涂层性能；

更新个体最佳位置和全局最佳位置：

对每个粒子，记录历史适应度最低的最优位置pi，若当前适应度值小于历史最优位置pi的适应度值，则更新个体最佳位置：pi＝xi,if f(xi)

记录全体粒子中的全局最佳位置g，即适应度最小的粒子的位置：更新粒子的速度和位置：

式中：表示更新后的粒子i在第d维的速度；表示更新前的粒子i在第d维的速度；表示更新前粒子i在d维的位置；表示更新后粒子i在d维的位置；ω表示惯性权重；c1和c2表示加速常数，分别控制粒子向个体最佳位置和全局最佳位置移动的程度；r1和r2表示在[0,1]之间均匀分布的随机数；pid表示粒子i在d维的个体最佳位置；gd表示全局最佳位置的第d维值；

判断收敛条件：设定一个最大迭代次数，当粒子群经过最大迭代次数后或全局最佳解的改进小于设定的阈值时，停止迭代；输出最优涂层工艺参数组合。