[發明專利]一種基于神經網絡的光柵濾光片結構優化方法

有效

• 申請號: 202110267031.3
• 申請日: 2021-03-10
• 公開（公告）號: CN112926157B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 陳旺磊;李旸暉;李潤坤;牛浩;潘苑茹;王樂
• 申請（專利權）人: 中國計量大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/045;G06N3/0499;G06N3/084;G06F119/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于神經網絡的光柵濾光片結構優化方法，其特征在于：把計算所得經過預處理的光譜，以及每個光譜所對應的光柵濾光片結構參數數據對作為數據集，輸入神經網絡中,計算不同結構參數下的光柵濾光片所對應的光譜以及根據按需光譜設計對應的結構參數，該神經網絡包括一個正向神經網絡以及一個反向神經網絡；

所述的預處理包括對光柵濾光片結構參數向量化和對光柵濾光片結構模型的光譜向量化，對光柵濾光片結構參數向量化是指將訓練集和驗證集分別處理成5000×4維矩陣和1000×4維矩陣，其中行數為樣本個數，列數為光柵濾光片結構變量數；對光柵濾光片結構模型的光譜向量化首先將CST計算得到的光譜離散成201維離散值，再將其分別處理為5000×201維矩陣和1000×201維矩陣，其中行數表示樣本個數，列數為光譜離散點數；

所述正向神經網絡包括一個張量模塊和一個上采樣模塊，張量模塊由一個張量層和兩個全連接層組成，上采樣模塊由三層轉置卷積層和三層全連接層組成；通過使用轉置卷積的方法實現上采樣的過程，將低維度的輸入數據轉換為高維度的輸出數據，張量模塊首先以監督的方式訓練，其中完整的1×201維光譜數據點均勻地下采樣到1×26維向量，每一個由1×26維向量表示的子譜，被用作張量預訓練的真實有效值；對上述張量模塊進行訓練后，將其輸出到1×26子光譜中，并送入上采樣模塊，轉換為從1×26增加到1×201的光譜數據；正向神經網絡輸入光柵濾光片的結構參數，預測得到該光柵濾光片的光譜，實現光柵濾光片的光譜預測；

所述的反向神經網絡由一個卷積神經網絡級聯訓練好的正向神經網絡形成，卷積神經網絡包含兩層卷積層和一層全連接層；將201維離散的光柵濾光片光譜輸入到卷積層中，卷積神經網絡中間輸出量為根據光譜預測的4維結構矢量，整個反向神經網絡的輸出為預測的4維結構經過訓練好的正向神經網絡模型得到的201維離散的光柵濾光片光譜；反向神經網絡輸入預先設定的光譜，預測得到與目標光譜相對應的結構參數，實現光柵濾光片的反向設計。

2.根據權利要求書1所述的一種基于神經網絡的光柵濾光片結構優化方法，其特征在于：所述光柵濾光片為亞波長光柵結構，上層為光柵結構，下層是襯底，亞波長指的是結構的特征尺寸和工作波長相比來說相同甚至更小；結構參數是指在光柵濾光片周期性單元結構中，選擇光柵結構沿x,y方向上的尺寸、z方向上的厚度以及光柵的周期作為結構參數；光譜由CST?Studio?Suite仿真軟件計算得到。

3.根據權利要求書1所述的一種基于神經網絡的光柵濾光片結構優化方法，其特征在于：先對正向神經網絡進行學習訓練，建立從光柵濾光片結構參數到光譜的映射關系，得到訓練好的正向神經網絡模型；然后對反向神經網絡進行訓練學習，建立從光譜到光柵濾光片結構參數的映射關系，得到訓練好的反向神經網絡。

4.根據權利要求書1所述的一種基于神經網絡的光柵濾光片結構優化方法，其特征在于：將待測試的光柵濾光片結構參數矩陣輸入到訓練好的正向神經網絡中，得到對應預測的光柵濾光片光譜，實現光柵濾光片的光譜預測；同樣地，將待測試的光柵濾光片光譜矩陣輸入到反向神經網絡中，得到預測的結構參數，實現光柵濾光片的按需反向設計。