[發明專利]一種基于正負分離的實數域光學神經網絡的模式識別方法

有效

• 申請號: 202110498625.5
• 申請日: 2021-05-08
• 公開（公告）號: CN113033797B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 肖瑤;唐泳;彭析竹;唐鶴
• 申請（專利權）人: 電子科技大學
• 主分類號: G06N3/067
• 分類號: G06N3/067;G06N3/04;G06N3/08
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

1.一種基于正負分離的實數域光學神經網絡的模式識別方法，其特征在于，包括以下步驟：

S1、從得到的包含N種模式的樣本中選取K個作為訓練集{s₁,s₂,...,s_K}，假設每個樣本具有M個參數X＝{x₁,x₂,...,x_M}，并且訓練樣本s_i屬于模式p_j，模式P＝{p₁,p₂,..,p_N}，定義樣本s_i的標簽為T＝{t₁,t₂,..,t_N}，其中t_n|_n＝j＝1，t_n|_n≠j＝0；

S2、構建神經網絡的抽象結構：

神經網絡包括1個輸入層、多個隱藏層和1個輸出層，神經網絡的每一層包括多個神經元，輸入層的多個神經元對應步驟S1中樣本的參數X，隱藏層中每個神經元參數包括Z⁽ⁱ⁾和H⁽ⁱ⁾，其中，Z⁽ⁱ⁾是通過前一層神經元參數通過線性組合操作獲得，H⁽ⁱ⁾是通過激活函數獲得，假設共有n層隱藏層，第1層隱藏層參數為Z⁽¹⁾＝W⁽⁰⁾X，H⁽¹⁾＝f(Z⁽¹⁾)，W為權重，其他隱藏層參數為Z＝WH：

H⁽ⁱ⁾＝f(Z⁽ⁱ⁾)

其中f(Z⁽ⁱ⁾)采用ReLU\Leaky ReLUs函數；

輸出層參數為Y＝W⁽ⁿ⁾H⁽ⁿ⁾；

S3、基于步驟S1的訓練樣本，對步驟S2構建的神經網絡進行訓練，具體為：將樣本參數X輸入到網絡中后獲得的輸出預測結果Y＝{y₁,y₂,..,y_N}與樣本標簽對比，得到均方差將均方差作為網絡的損失函數，對網絡參數進行更新，從而獲得訓練好的神經網絡，即獲得訓練好的網絡權重W；

S4、將訓練好的神經網絡配置到光學神經網絡，進行模式識別，具體包括：

S41、將訓練好的網絡權重W和需要進行模式識別的樣本的參數X進行正負分離得到權重與參數即與要求以及

S42、搭建光學神經網絡硬件，包括電光轉換模塊、矩陣向量乘法單元、非線性激活單元和光電轉換模塊，所述電光轉換模塊用于將輸入的數字信號碼為一組光信號，光信號的復偏振作為光學神經網絡的輸入信號；所述矩陣向量乘法單元用于對輸入信號進行線性變換；所述非線性激活單元對矩陣向量乘法單元輸入的信號進行非線性變換；所述光電轉換模塊用于將檢測到的光學神經網絡輸出光信號轉換為數字信號；其中，

矩陣向量乘法單元實現矩陣W與輸入信號X的矩陣向量乘法計算的具體方式為，由奇異值分解任意(2m×2n)實數矩陣W得到W＝U∑V^*，矩陣向量乘法單元傳播方向依次為第一MZI陣列、衰減器和第二MZI陣列，其中第一MZI陣列實現矩陣V^*乘法，衰減器實現矩陣∑乘法，第二MZI陣列實現矩陣U乘法，根據正負分離的特性，矩陣向量乘法單元的輸入向量滿足且權重矩陣滿足則矩陣向量乘法計算得到的輸出向量有即得到正負分離的輸出；

非線性激活單元具體包括第一分束器、第二分束器、第一光電探測器、第二光電探測器、比較器、第一電光調制器和第二電光調制器，第一分束器的輸入為矩陣向量乘法單元的正輸出，第一分束器的輸出分別接第一電光調制器的一個輸入端和第一光電探測器的輸入端，第一光電探測器的輸出端接比較器的同相輸入端；第二分束器的輸入為矩陣向量乘法單元的負輸出，第二分束器的輸出分別接第二電光調制器的一個輸入端和第二光電探測器的輸入端，第二光電探測器的輸出端接比較器的反相輸入端；比較器接正參考電壓和負參考電壓，比較器的輸出端分別接第一電光調制器的另一個輸入端和第二電光調制器的另一個輸入端；所述第一光電探測器和第二光電探測器分別從第一分束器和第二分束器分離部分輸入得到第一電信號和第二電信號，通過比較器對第一電信號和第二電信號進行比較后輸出參數電壓，具體為當第一電信號大于等于第二電信號時，比較器輸出電壓為正參考電壓，反之比較器輸出負參考電壓，當比較器輸出正參考電壓時，第一電光調制器輸出第一分束器輸入到第一電光調制器的電壓信號，第二電光調制器輸出第二分束器輸入到第二電光調制器的電壓信號，當比較器輸出負參考電壓時，第一電光調制器輸出k倍第一分束器輸入到第一電光調制器的電壓信號，第二電光調制器輸出k倍第二分束器輸入到第二電光調制器的電壓信號，k為常系數且k∈[0,1]；即非線性激活單元的輸入輸出滿足：

根據正負分離對信號的定義因此非線性激活單元的輸入輸出滿足：

當k＝0，非線性激活單元實現對輸入信號執行ReLU激活操作；當k∈(0,1]，非線性激活單元實現對輸入信號執行Leaky ReLUs激活操作；

光電轉換模塊利用公式：

還原光學神經網絡輸出信號的正負信息，實現實數域權重矩陣的光學神經網絡，其中I∝|Aeⁱφ|²＝A²，I表示光電轉換模塊輸出信號的電流，A表示輸入光電轉換模塊的光信號的振幅，φ表示輸入光電轉換模塊的光信號的相位；

S43、將權重配置到步驟S42中光學神經網絡的矩陣向量乘法單元，將需要進行模式識別的樣本的參數作為輸入，輸入光學神經網絡后得到預測結果Y，根據Y中最大元素對應的序號實現預測樣本的模式。