基于激光器阵列的深度卷积神经网络系统及控制方法技术方案

本发明专利技术涉及基于激光器阵列的深度卷积神经网络系统，深度卷积层包括多个横向耦合的半导体激光器、多个光耦合器和多个反馈回路；输入光信号注入至第一个半导体激光器内，第n个半导体激光器输出的信号经第n个光耦合器分为两路：一路信号经第n个反馈回路返回并作为第n+1个半导体激光器的输入信号；另一路信号输入至输出层；输出层包括加法器和可编程门控阵列；各光耦合器输出的另一路信号在加法器中叠加形成输出信息，可编程门控阵列对输出信息进行训练得到输出层的权值。设置多个横向耦合的半导体激光器，能够避免层间连接的训练；只需训练输出层的输出，极大降低了对算法的依赖，在硬件实施上也显著降低了难度。在硬件实施上也显著降低了难度。在硬件实施上也显著降低了难度。

Deep convolution neural network system based on laser array and its control method

【技术实现步骤摘要】
基于激光器阵列的深度卷积神经网络系统及控制方法


[0001]本专利技术涉及机器学习
，尤其是指一种基于激光器阵列的深度卷积神经网络系统及控制方法。

技术介绍

[0002]人工神经网络已经成为当前的颠覆性计算概念。当多个网络层级联时，这些系统在多个具有挑战性的任务中取得了极大的成功。在这种深度神经网络中，不同的层被用来强调输出信息的特定方面，同时每个网络层的输入也被用来作为下一层的输出信号。这种连续的层次结构对于提升计算性能具有重要的意义。近十年来，深度卷积神经网络(CNN)在不同的领域都取得了显著的成就，包括静态图像识别等。
[0003]在深度卷积神经网络(CNN)中，各层将其输入与空间滤波器进行卷积。通过增加滤波器的宽度和步长，深层次的层关注更一般的特征，而局部特征在前面的层中被强调。
[0004]然而目前所常见的深度卷积神经网络需要进行层间连接的训练，对于算法和硬件的要求较高，后续难以将网络拓扑结构直接映射到物理基板上，导致信息处理速率更慢，同时在硬件集成上有重大挑战。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种基于激光器阵列的深度卷积神经网络系统及控制方法，其深度卷积层内包括多个横向耦合的半导体激光器，横向耦合激光器的层间耦合是瞬时的，能够避免层间连接的训练；且只需要训练输出层的输出，极大降低了对算法的依赖，同时在硬件实施上也显著降低了难度，更易将网络拓扑结构直接映射到物理基板上，且相比传统的卷积神经网络具有更快的信息处理速率。
[0006]为解决上述技术问题，本专利技术提供了基于激光器阵列的深度卷积神经网络系统，包括深度卷积层和输出层；所述深度卷积层包括多个横向耦合的半导体激光器、多个光耦合器和多个反馈回路；输入光信号注入至第一个半导体激光器内；第n个所述半导体激光器的输出信号经第n个所述光耦合器分为两路：一路信号经第n个所述反馈回路返回至第n个半导体激光器中，且返回至第n个所述半导体激光器中的信号作为第n+1个半导体激光器的输入信号；另一路信号注入至输出层；其中，n≥1；所述输出层包括加法器和与所述加法器连接的可编程门控阵列；各所述光耦合器输出的另一路信号在所述加法器中叠加以形成输出信息，所述可编程门控阵列对所述输出信息进行训练，以得到输出层的权值。
[0007]作为优选的，所述所述反馈回路包括：延迟光纤，其输入端连接所述光耦合器的输出端；所述延迟光纤接收所述光耦合器输出的所述两路信号；可变光衰减器，其输入端连接所述延迟光纤的输出端；所述可变光衰减器对所述延迟光纤输出的信号进行调节；光偏振控制器，其输入端与所述可变光衰减器的输出端连接，输出端与所述光耦合器的输入端连接；所述光偏振控制器对所述可变光衰减器输出信号的偏振态进行调节，所述光偏振控制器输出的信号反馈至所述光耦合器。
[0008]作为优选的，每个所述反馈回路中延迟光纤的长度均等同。
[0009]作为优选的，所述反馈回路还包括光滤波器，其设置在所述延迟光纤和可变光衰减器之间。
[0010]作为优选的，所述输出层还包括多个光隔离器和多个光电探测器；第n个所述半导体激光器输出的另一路信号注入至第n个所述光隔离器内，第n个所述光隔离器的输出端与第n个所述光电探测器的输入端连接，各所述光电探测器的输出端均与所述加法器的输入端连接。
[0011]作为优选的，所述的基于激光器阵列的深度卷积神经网络系统，其特征在于，还包括输入层，所述输入层包括驱动激光器、任意波形发生器和调制器；所述驱动激光器与所述调制器连接，所述驱动激光器输出的信号注入至所述调制器内；所述任意波形发生器与所述调制器连接，所述任意波形发生器和调制器用以对所述驱动激光器输出的信号进行调制，以得到输入光信号。
[0012]作为优选的，所述调制器为相位调制器或强度调制器。
[0013]作为优选的，多个所述半导体激光器的耦合方式为瞬态耦合。
[0014]作为优选的，所述可编程门控阵列内包括岭回归算法和线性回归算法；所述岭回归算法和线性回归算法用以对所述加法器中输出的信息进行训练，以得到输出层的权值。
[0015]基于激光器阵列的深度卷积神经网络系统控制方法，利用所述的基于激光器阵列的深度卷积神经网络系统对光信号进行处理，其特征在于，包括以下步骤：获取输入信息并对所述输入信息进行调制以形成输入光信号；对所述输入光信号进行卷积处理，其中：将所述输入光信号输入至深度卷积层的第一个半导体激光器内，并将从第n个半导体激光器输出的信号分为两路：控制第一路信号返回并作为第n+1个半导体激光器的输入信号；控制另一路信号输出；将各所述另一路信号进行叠加以形成输出信息，并对所述输出信息进行训练以得到输出的权值。
[0016]本专利技术的上述技术方案相比现有技术具有以下优点：
[0017]1、本专利技术的深度卷积层包括多个横向耦合的半导体激光器，在反馈回路中能够添加光充当卷积核：一方面，多个半导体激光器的层间耦合是瞬时的，在时间上是恒定的，因此可以避免层间连接的训练，降低硬件集成的难度；另一方面，对于算法和硬件的需求较低，后续更易将网络拓扑结构直接映射到物理基板上，相比传统的卷积神经网络具有更快的信息处理速率。
[0018]2、本专利技术的输出层能够获取深度卷积层的响应状态，输出层内包括加法器和可编程门控阵列，只需训练输出层的输出，极大降低了对算法的依赖，在硬件实施上也显著降低了难度。
[0019]3、本专利技术相比于传统的卷积神经网络结构较简单，成本低廉、硬件友好，易于实现。
附图说明
[0020]为了使本专利技术的内容更容易被清楚的理解，下面根据本专利技术的具体实施例并结合附图，对本专利技术作进一步详细的说明，其中：
[0021]图1为本专利技术深度卷积神经网络的结构示意图；
[0022]图2为本专利技术深度卷积神经网络处理时间序列预测任务下的预测目标与结果图；
[0023]图3为本专利技术深度卷积神经网络的实现原理示意图。
[0024]说明书附图标记说明：100
‑
输入层，200
‑
深度卷积层，300
‑
输出层；
[0025]11
‑
驱动激光器，12
‑
任意波形发生器，13
‑
调制器；21
‑
半导体激光器阵列，22
‑
光环行器，23
‑
光偏振控制器，24
‑
可变光衰减器，25
‑
光滤波器，26
‑
延迟光纤，27
‑
光耦合器；31
‑
光隔离器，32
‑
光电探测器，33
‑
加法器，34
‑
可编程门控阵列。
具体实施方式
[0026]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。
...

【技术保护点】

【技术特征摘要】
1.基于激光器阵列的深度卷积神经网络系统，其特征在于，包括：深度卷积层和输出层；所述深度卷积层包括多个横向耦合的半导体激光器、多个光耦合器和多个反馈回路；所述光耦合器和反馈回路均与所述半导体激光器一一对应；输入光信号注入至第一个半导体激光器内；第n个所述半导体激光器输出的信号经第n个所述光耦合器分为两路：一路信号经第n个所述反馈回路返回并作为第n+1个半导体激光器的输入信号；另一路信号输入至所述输出层；其中，n≥1；所述输出层包括加法器和与所述加法器连接的可编程门控阵列；各所述光耦合器输出的另一路信号在所述加法器中叠加以形成输出信息，所述可编程门控阵列对所述输出信息进行训练，以得到输出层的权值。2.根据权利要求1所述的基于激光器阵列的深度卷积神经网络系统，其特征在于，所述反馈回路包括：延迟光纤，其输入端连接所述光耦合器的输出端；所述延迟光纤接收所述光耦合器输出的两路信号；可变光衰减器，其输入端连接所述延迟光纤的输出端；所述可变光衰减器对所述延迟光纤输出的信号进行调节；光偏振控制器，其输入端与所述可变光衰减器的输出端连接，输出端与所述光耦合器的输入端连接；所述光偏振控制器对所述可变光衰减器输出信号的偏振态进行调节，所述光偏振控制器输出的信号反馈至所述光耦合器。3.根据权利要求2所述的基于激光器阵列的深度卷积神经网络系统，其特征在于，每个所述反馈回路中延迟光纤的长度等同。4.根据权利要求2所述的基于激光器阵列的深度卷积神经网络系统，其特征在于，所述反馈回路还包括光滤波器，其设置在所述延迟光纤和可变光衰减器之间。5.根据权利要求1所述的基于激光器阵列的深度卷积神经网络系统，其特征在于，所述输出层还包括多个光隔离器和多个光电探测器；第n个所述光耦合器输出的另一路信号...

【专利技术属性】
技术研发人员：李念强，黄于，周沛，杨一功，
申请(专利权)人：苏州大学，
类型：发明
国别省市：