【技術實現步驟摘要】
本專利技術涉及一種光學衍射神經網絡的優化方法，屬于光學衍射神經網絡。
技術介紹
1、光學衍射神經網絡充分利用了光計算高速、低耗及并行處理等優勢，在計算機視覺任務中具有獨特優勢，比如圖像分類、顯著性目標檢測、擴散介質成像等。通過設計損失函數優化衍射層的相位的調制信息，可實現特定的計算推理任務。
2、目前，用于圖像分類任務的光學衍射神經網絡的損失函數有兩種主要類型：均方誤差損失函數和交叉熵損失函數。均方誤差損失函數基于回歸損失設計原理，能夠很好地實現光學衍射神經網絡的輸出光場按照定向區域分布，保持較高的衍射效率，但是圖像分類的精度不高。交叉熵損失函數基于分類損失設計原理，可以實現較高的分類精度，但是會導致光學衍射神經網絡系統的整體衍射效率降低，影響后續檢測分析。
3、因此，本領域技術人員需要克服圖像分類任務中光學衍射神經網絡模型在實現高分類精度的同時整個模型的衍射效率不高的問題。
技術實現思路
1、目的：為了克服現有技術中存在的不足，本專利技術提供一種光學衍射神經網絡的優化方法，結合分類推理和衍射效率性能設計多目標損失函數，聯合優化光學衍射神經網絡的相位參數分布，實現高分類精度、高衍射效率的光學衍射神經網絡模型。
2、技術方案：為解決上述技術問題，本專利技術采用的技術方案為：
3、一種光學衍射神經網絡的優化方法，具體包括：
4、步驟1，獲取基于相位調制構建的光學衍射神經網絡，所述光學衍射神經網絡，包括輸入平面、輸出平面以及多個
5、步驟2，根據圖像訓練數據集的總類別m在輸出平面中定義m個探測區域，每個探測區域對應一個類別，計算每個探測區域的能量以及輸出平面的總能量，根據m個探測區域能量的最大值判定輸入圖像的類別，并將每個類別對應的探測區域的能量與輸出平面總能量的比值進行歸一化，計算分類推理的性能損失。
6、步驟3，基于光學衍射神經網絡的衍射效率，構建正確類別對應的探測區域的能量與輸入平面的總能量相對關系的衍射效率的損失函數。
7、步驟4，對衍射效率性能的損失函數進行修正，設置系統理想衍射效率的參考值，得到修正后的衍射效率的性能損失。
8、步驟5，結合分類推理的性能損失和修正后的衍射效率的性能損失，構建多目標損失函數，利用多目標損失函數聯合優化光學衍射神經網絡的相位參數，得到優化后的相位參數。
9、步驟6：根據優化后的相位參數更新光學衍射神經網絡，得到優化后的光學衍射神經網絡。
10、作為優選方案，所述的光學衍射神經網絡，包括前向傳播模型和反向傳播模型。根據瑞利-索末菲衍射理論建立前向傳播模型，由前向傳播模型實現輸入光場到輸出平面的光場傳輸，用于圖像分類任務；根據反向傳播算法實現反向傳播模型，優化光學衍射層的相位參數分布。
11、作為優選方案，所述前向傳播模型的表達式如下：
12、
13、其中，表示前向傳播模型，是第l-1層全部k個衍射神經單元入射至第l層衍射層的第i個衍射神經單元的入射光場疊加。λ表示入射光工作波長，表示第i個衍射神經單元的坐標，表示第l層坐標為的衍射神經單元處輸出光場傳輸到第l-1層坐標為的衍射神經單元處的光波傳輸系數，表示第l層的第i個衍射神經單元對應的透射系數。
14、作為優選方案，
15、其中，表示坐標和坐標的衍射神經單元之間的歐氏距離，λ表示入射光工作波長，，表示圓周率，表示自然指數函數。
16、<mstyle displaystyle="true" mathcolor="#000000"><msubsup><mi>t</mi><mi>i</mi><mi>l</mi></msubsup><mrow><mo>(</mo><mrow><msub><mi>x</mi><mi>i</mi></msub><mi>,</mi><msub><mi>y</mi><mi>i</mi></msub><mi>,</mi><msub><mi>z</mi><mi>i</mi></msub><mi>,</mi><mi>λ</mi></mrow><mo>)</mo></mrow><mi>=</mi><msubsup><mi>a</mi><mi>i</mi><mi>l</mi></msubsup><mrow><mo>(</mo><mrow><msub><mi>x</mi><mi>i</mi></msub><mi>,</mi><msub><mi>y</mi><mi>i</mi></msub><mi>,</mi><msub><mi>z</mi><mi>i</mi></msub><mi>,</mi><mi>λ</mi></mrow><mo>)</mo></mrow><mi>exp</mi><mrow><mo>[</mo><mrow><mi>j</mi><msubsup><mi>?</mi><mi>i</mi><mi>l</mi></msubsup><mrow><mo>(</mo><mrow><msub><mi>x</mi><mi>i</mi></msub><mi>,</mi><msub><mi>y</mi><mi>i</mi></msub><mi>,</mi><msu本文檔來自技高網...
【技術保護點】
1.一種光學衍射神經網絡的優化方法其特征在于：具體包括：
2.根據權利要求1所述的一種光學衍射神經網絡的優化方法，其特征在于：所述的光學衍射神經網絡，包括前向傳播模型和反向傳播模型；根據瑞利-索末菲衍射理論建立前向傳播模型，由前向傳播模型實現輸入光場到輸出平面的光場傳輸，用于圖像分類任務；根據反向傳播算法實現反向傳播模型，優化光學衍射層的相位參數分布。
3.根據權利要求2所述的一種光學衍射神經網絡的優化方法，其特征在于：所述前向傳播模型的表達式如下：
4.根據權利要求3所述的一種光學衍射神經網絡的優化方法，其特征在于：
5.根據權利要求2所述的一種光學衍射神經網絡的優化方法，其特征在于：所述的反向傳播模型采用隨機梯度下降算法，將相位調制衍射層的相位系數作為可學習的參數進行優化。
6.根據權利要求1所述的一種光學衍射神經網絡的優化方法，其特征在于：所述分類推理的性能損失的計算公式如下：
7.根據權利要求6所述的一種光學衍射神經網絡的優化方法，其特征在于：
8.根據權利要求1所述的一種光學衍射神經網絡
9.根據權利要求8所述的一種光學衍射神經網絡的優化方法，其特征在于：所述的修正后的衍射效率的性能損失，計算公式如下：
10.根據權利要求1所述的一種光學衍射神經網絡的優化方法，其特征在于：所述的多目標損失函數表達式為：
...【技術特征摘要】
1.一種光學衍射神經網絡的優化方法其特征在于：具體包括：
2.根據權利要求1所述的一種光學衍射神經網絡的優化方法，其特征在于：所述的光學衍射神經網絡，包括前向傳播模型和反向傳播模型；根據瑞利-索末菲衍射理論建立前向傳播模型，由前向傳播模型實現輸入光場到輸出平面的光場傳輸，用于圖像分類任務；根據反向傳播算法實現反向傳播模型，優化光學衍射層的相位參數分布。
3.根據權利要求2所述的一種光學衍射神經網絡的優化方法，其特征在于：所述前向傳播模型的表達式如下：
4.根據權利要求3所述的一種光學衍射神經網絡的優化方法，其特征在于：
5.根據權利要求2所述的一種光學衍射神經網絡的優化方法，其特征在于：所述的...
【專利技術屬性】
技術研發人員：呂昌貴，范孟光，金述平，趙湘岳，夏雨軒，
申請(專利權)人：東南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。