[發明專利]一種采用優化初始權重的量子神經網絡壓縮計算全息圖的方法

有效

• 申請號: 201810409647.8
• 申請日: 2018-05-02
• 公開（公告）號: CN108881660B
• 公開（公告）日: 2021-03-02
• 發明（設計）人: 楊光臨;侯深化
• 申請（專利權）人: 北京大學
• 主分類號: H04N1/32
• 分類號: H04N1/32;G06N3/02
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 賈曉玲

本發明提出了一種采用優化初始權重的量子神經網絡壓縮計算全息圖的方法，屬于計算全息圖的壓縮傳輸技術領域。該方法在量子BP神經網絡壓縮傳輸計算全息圖的基礎上，利用計算全息圖訓練集合預訓練獲取量子BP神經網絡優化初始權重，通過設置預訓練的參數隨機初始化方差來加速預訓練網絡的收斂過程，再針對給定的全息壓縮數據利用預訓練獲得的優化初始權重進行二次網絡微調訓練，同時在優化過程中動態調整網絡學習速率以加速量子BP神經網絡壓縮傳輸過程。本發明在不改變原有量子BP神經網絡的基礎結構上能夠使用更少的迭代次數完成壓縮傳輸網絡結構的訓練，加快了量子BP神經網絡對計算全息圖的壓縮速度并可以保證全息圖再現像的質量。

技術領域

本發明提供一種采用優化初始權重的量子神經網絡壓縮計算全息圖的方法，具體涉及到計算全息圖的壓縮傳輸技術領域。

技術背景

計算全息圖方法具有靈活、簡單、方便等特點，避免了傳統的光學全息復雜的光路系統和繁瑣的制備過程，可以得到人為設計光學全息難以達到的效果。計算全息圖上每一點的值皆為衍射波與參考光之間干涉的結果，涵蓋了物體全部信息，每張全息圖包含大量冗余的信息，這對信息的存儲傳輸產生了較高的要求，也限制了計算全息圖的發展。

張超^[1]等人在“Chao Zhang,Guanglin Yang and Haiyan Xie,InformationCompression of Computer-Generated Hologram Using BP Neural Network,inBiomedical Optics and 3-D Imaging,OSA Technical Digest(CD)(Optical Society ofAmerica),paper JMA2, 2010.”中使用傳統逆向(Back Propagation，BP)神經網絡進行數字全息圖的壓縮傳輸，驗證了使用人工神經網絡壓縮傳輸全息信息的可行性。然而，由于傳統BP神經網絡具有在信息量大的情況下處理速度過慢、記憶容量有限等缺陷，這些缺陷限制了這種技術應用于數字全息圖像壓縮傳輸的效果與應用價值。劉夢佳^[2]等人在“MengjiaLiu,Guanglin Yang,and Haiyan Xie,Method of computer-generated hologramcompression and transmission using quantum back-propagation neural network.Optical Engineering,Vol.56, No.2,pp.023104-1-6,February 2017.”中提供了一種量子逆向傳播神經網絡(QBP)^[3-5]的數字全息壓縮傳輸方法，實驗發現相比于傳統BP神經網絡，利用QBP神經網絡對計算全息圖進行壓縮傳輸能夠使用更少的迭代訓練次數完成壓縮傳輸網絡結構的訓練，提高計算全息圖的壓縮傳輸速度，同時保證了圖像的恢復質量。但其存在的問題是：量子BP神經網絡為隨機初始化，這會使網絡初始權值與最優權值相差較遠，網絡依然需要較多的迭代次數才能收斂。

發明內容

本發明提出了一種采用優化初始權重的量子神經網絡壓縮計算全息圖的方法，可以有效地加快對計算全息圖壓縮傳輸的速度。

本發明的原理是：基于量子理論態疊加原理的量子BP神經網絡具有比傳統BP神經網絡更快的并行處理速度和更強的存儲數據的能力，在此基礎上對計算全息圖進行壓縮可以獲得較快的壓縮速度。同時由于在菲涅耳離軸計算全息圖壓縮傳輸問題中，計算全息圖皆為菲涅耳衍射與參考光干涉的結果，參考光的參數以及衍射過程中物體出射光波參數在整個過程保持不變，使得不同圖像在全息平面生成的計算全息圖存在較大的相似性，這保證了可以使用全息圖訓練集合預訓練出有較好泛化能力的網絡模型。由于預訓練過程獲得的優化初始網絡權重有較好的泛化能力，且處于最優值附近，可以加速針對待壓縮圖像(不包含在全息圖訓練集合中)的二次訓練中網絡對數據的適應過程，從而提高二次訓練的收斂速度，且網絡只需要訓練很少的次數即可提升圖像壓縮效果；同時由于預訓練可以離線進行，從而極大縮少了計算全息圖像的壓縮時間。

本發明提供的技術方案是：