一种基于光子神经网络的飞行目标识别系统及搭建方法技术方案

本发明专利技术公开一种基于光子神经网络的飞行目标识别系统及搭建方法，面向高速运动飞行器，包括但不限于飞机，无人机，直升机，滑翔机，三角翼等航空器以及导弹等目标设计并搭建光子神经网络的超快飞行目标识别系统，实现高速运动目标的快速识别，本发明专利技术提供一种基于光子神经网络的飞行目标识别系统包括成像与滤波模块，光场缩放与耦合模块，光子神经网络模块，模式调控模块，输出光场耦合模块；一种飞行目标识别系统的搭建方法，包括人工神经网络设计和人工神经网络的光子学实现；本发明专利技术设计一种基于全光无源元器件的光子神经网络传输与调控模型，面向高速飞行目标的小样本学习进行训练，搭建静态与动态目标识别系统，实现对高速飞行运动目标的识别。飞行运动目标的识别。飞行运动目标的识别。

A flying target recognition system based on photonic neural network and its construction method

【技术实现步骤摘要】
一种基于光子神经网络的飞行目标识别系统及搭建方法


[0001]本专利技术涉及人工智能领域，涉及机器视觉与目标识别技术，更具体地是一种基于光子神经网络的飞行目标识别系统及搭建方法，可用于工业生产、现代物流、灾害预警以及国家安全等。

技术介绍

[0002]目标识别技术(target identification technique)，是利用光电探测设备和计算机对遥远目标进行辨认的技术，利用计算机对光电探测设备获取的信号提取目标特征信息，并计算目标态势估计参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别技术识别在工业生产、现代物流、灾害预警、港口安防、军事领域等有着重要作用。
[0003]传统机器视觉系统的核心为光电传感器及计算机，其处理速度受限于传感器探测速率，数据传输速度以及算法的运算速度，且由于物理架构的束缚很难在处理速度有上很大突破与提升。传统架构的目标识别技术，在应用中面临识别速度较低、时效性较差的问题。特别是在军事领域等高强度作战环境下，这一缺点尤为明显。此外，目标识别算法需要依托较高性能的计算机运行处理，而这些计算机普遍具有体积与功耗较大的特点，使其在应用中受到了很大的限制、特别是军事应用中，无法装配于要求小体积、轻质量、低功耗的无人飞行器上。光子神经网络的提出，可以有效地解决这一问题。
[0004]不同于目前绝大部分基于电子计算机的人工神经网络，光子神经网络是一类以光学元件为硬件基础的人工神经网络，其突破了目标识别系统的物理架构，直接通过光子运算获取目标的分类以及态势感知信息，以光速完成目标识别，且体积小、质量轻、功耗低，有望替代传统以电子计算机为基础的目标识别系统，实现超快的目标识别。目前的基于光学元件的光子神经网络目标识别系统，分为光子芯片、衍射光子神经网络以及散射介质光子神经网络三类。光子芯片集成度高，然而无法直接对光学图像进行处理，需进行光
‑
电
‑
光的转换过程，效率较低，且加工难度大。衍射光子神经网络简单易实现，然而灵活性低，且系统体积随着网络结构的复杂度而逐渐增大。而散射介质光子神经网络结构紧凑，然而设计加工难度大。因此，目前尚缺乏一种光子神经网络目标识别系统兼具以上优势，以解决传统目标识别系统识别速度低、体积大、功耗大的问题。

技术实现思路

[0005]本专利技术旨在提供一种基于光子神经网络的飞行目标识别系统，面向高速运动飞行器，包括但不限于飞机，无人机，直升机，滑翔机，三角翼等航空器以及导弹、制导武器的军用飞行器等目标设计并搭建光子神经网络的超快飞行目标识别系统，实现高速运动目标的快速识别。
[0006]本专利技术提供一种基于光子神经网络的飞行目标识别系统，包括成像与滤波模块，光场缩放与耦合模块，光子神经网络模块，模式调控模块，输出光场耦合模块；
[0007]所述成像与滤波模块对目标进行成像与滤波；
[0008]所述光场缩放与耦合模块是包含物镜的4F系统，所述成像与滤波模块与所述光场缩放与耦合模块的光轴需共轴，所述成像与滤波模块的像面与所述光子神经网络模块端面互为共轭面；
[0009]所述光子神经网络模块用于对所述光场缩放与耦合模块输入的光场进行运算，包括线性运算部分与非线性运算部分，所述线性运算部分采用多模光波导以构成光子神经网络；
[0010]所述输出光场耦合模块，用于接受所述光子神经网络模块运算后的光场，并对所述光场输出并行运算结果。
[0011]作为本专利技术的进一步改进：所述成像与滤波模块中的滤波片采用可调滤波器或窄带滤片，其中心波长为可见光至中红外的任一波长且带宽应小于2nm。
[0012]作为本专利技术的进一步改进：所述光子神经网络采用多模光波导，包括多模光纤、多芯光纤或片上多模波导，所述光子神经网络具有可重构特性。
[0013]作为本专利技术的进一步改进：所述的光子神经网络的线性运算是通过多个模式调控模块实现。
[0014]作为本专利技术的进一步改进：所述光子神经网络的非线性运算通过模式非线性耦合实现的，包括四波混频、交叉相位调制或声子
‑
光子耦合。
[0015]作为本专利技术的进一步改进：所述输出光场耦合模块包括光场耦合与光电转换，所述光场耦合包括自由空间耦合、成像系统或光子灯笼；所述光电转换包括面阵探测器，线探测器阵列或多个点探测器。
[0016]本专利技术还提供一种飞行目标识别系统的搭建方法，包括人工神经网络设计和人工神经网络的光子学实现；
[0017]所述人工神经网络设计包括：
[0018]采用不同小样本学习方法，对比各网络结构的复杂度与对高速并行计算的需求程度，获取最适合进行光学实现的人工神经网络结构；
[0019]获取数据集，对样本进行预处理；将预处理后的样本输入所述人工神经网络进行学习，获取测试结果，调整参数优化所述人工神经网络结构，并通过计算机验证，以获得所述人工神经网络的网络结构和网络参数；
[0020]所述人工神经网络的光子学实现包括：
[0021]使用全光无源元器件实现所述人工神经网络；利用优化所得的人工神经网络结构参数计算模式耦合矩阵，确定模式调控模块参数；搭建所述基于光子神经网络的飞行目标识别系统；对所述基于光子神经网络的飞行目标识别系统进行实验验证与参数优化调整。
[0022]与现有技术相比，本专利技术的有益效果是：
[0023]本专利技术提供一种基于光子神经网络的飞行目标识别系统，设计一种基于全光无源元器件的光子神经网络传输与调控模型，面向高速飞行目标的小样本学习进行训练，搭建静态与动态目标识别系统，实现对高速飞行领域中运动目标的识别。
附图说明
[0024]图1为本专利技术实施例提供的基于光子神经网络的飞行目标识别系统的搭建方法流
程图；
[0025]图2为本专利技术实施例提供的基于光子神经网络的飞行目标识别系统的结构示意图；
[0026]图中：成像与滤波模块1、光场缩放与耦合模块2、光子神经网络模块3、模式调控模块4、输出光场耦合模块5。
具体实施方式
[0027]为详细说明技术方案的
技术实现思路
、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
[0028]由于目前普遍所用深度学习方法的关键在于海量标注数据的支持，但在许多领域如工业生产、军事安全、高科技研发等方面，很多时候难以获得海量的标注数据以供训练。而小样本学习具有不改变训练模型、借助极少的标注样本学习新类别的能力，成为解决此类问题重要的方法之一。
[0029]本专利技术实施例将基于小样本学习的人工神经网络结构进行全光学元件的物理实现，将小样本学习与光子神经网络相结合，面向未知高速飞行运动目标提供一种超快速识别的系统。
[0030]请参阅图1所示为本专利技术的基于光子神经网络的飞行目标识别系统的搭建方法流程图，包括人工神经网络设计S1，以及人工神经网络的光子学实现S2。具体流程如下：
[0031]所述人工神经网络设计S1具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光子神经网络的飞行目标识别系统，其特征在于：包括成像与滤波模块，光场缩放与耦合模块，光子神经网络模块，模式调控模块，输出光场耦合模块；所述成像与滤波模块对目标进行成像与滤波；所述光场缩放与耦合模块是包含物镜的4F系统，所述成像与滤波模块与所述光场缩放与耦合模块的光轴需共轴，所述成像与滤波模块的像面与所述光子神经网络模块端面互为共轭面；所述光子神经网络模块用于对所述光场缩放与耦合模块输入的光场进行运算，包括线性运算部分与非线性运算部分，所述线性运算部分采用多模光波导以构成光子神经网络；所述输出光场耦合模块，用于接受所述光子神经网络模块运算后的光场，并对所述光场输出并行运算结果。2.如权利要求1所述的基于光子神经网络的飞行目标识别系统,其特征在于：所述成像与滤波模块中的滤波片采用可调滤波器或窄带滤片，其中心波长为可见光至中红外的任一波长且带宽应小于2nm。3.如权利要求1所述的基于光子神经网络的飞行目标识别系统,其特征在于：所述光子神经网络采用多模光波导，包括多模光纤、多芯光纤或片上多模波导，所述光子神经网络具有可重构特性。4.如权利要求1所述的基于光子神经网络的飞行目标识别系统,其特征在于：所述的光子神经网络的线性运算是通过多个模式调控模块实现。5.如权利要求1所述的基于光子神经网络的飞行目标识别系统,其特征在于：所...

【专利技术属性】
技术研发人员：林炜，胡世诚，刘海锋，刘波，姚远，张昊，
申请(专利权)人：南开大学，
类型：发明
国别省市：