【技术实现步骤摘要】
一种基于卷积神经网络的不同光栅结构衍射系数预测方法
[0001]本专利技术涉及光学
,特别涉及了一种基于卷积神经网络的不同光栅结构衍射系数预测方法
。
技术介绍
[0002]在常用阶跃折射率光纤的端面上实现的金属纳米结构产生的功能化光纤具有很强的光收集性能,特别是在入射角时,裸端光纤无法工作
。
在光纤端面放置光栅可以通过衍射来提高光的收集能力
。
即在包芯波导的端面上放置一个介电光栅,聚焦的高斯光束
(
波长
l
=
1.55
μ
m
,波数
k0
=
2p/l
,半径
W1)
以一定的入射角度照射该表面,由于衍射效应,入射的高斯光束会产生衍射,衍射会有相应的衍射系数
。
[0003]当在阶跃折射率光纤的端面放置不同形状的光栅结构和不同大小的光栅时候,对应的衍射系数会发生变化
。
随着深度学习的不断发展,在光学领域的应用变得流行,尤其是在广角入射下波导的有效光耦合
。
在波导表面的传输光栅可以显著提高大角度输入效率,但是想要得到波导表面不同大小和形状的光栅对应的衍射系数仍需要依赖于传统的仿真软件,通过在仿真软件上设计相应的光栅结构,设置大量的参数,过程极其复杂,尤其是面对大批量的获取不同端面光栅对应相应衍射系数时候,使用仿真软件是非常笨拙的
。
技术实现思路
[0004]本专利技术的目的是 ...
【技术保护点】
【技术特征摘要】
1.
一种基于卷积神经网络的不同光栅结构衍射系数预测方法,其特征在于,包括以下步骤:
S1
:获取不同入射角度下不同光栅结构及该光栅结构对应的衍射系数;
S2
:将光栅结构转化为对应的图片,得到光栅图片,对每一张图片进行相应的衍射系数及入射角度的绑定,得到样本数据集;
S3
:将样本数据集分为训练集和测试集,利用训练集训练卷积神经网络,所述卷积神经网络输入为光栅图片与入射角度,输出为衍射系数;
S4
:利用训练好的卷积神经网络,对不同入射角度下不同光栅结构的衍射系数进行预测
。2.
根据权利要求1所述的一种基于卷积神经网络的不同光栅结构衍射系数预测方法,其特征在于,训练卷积神经网络包括:
A1
:对输入的光栅图片大小进行缩减,并进行批量归一化,再经过一个非线性激活函数后进行最大池化;
A2
:将步骤
A1
中得到的图片经过一个线性层形成一个
h
大小的张量,进行批量归一化;
A3
:将步骤
A2
中得到的图片经过激活函数
、
一个
Dropout
层后,再经过一个线性层形成表示衍射系数的最终输出
。3.
根据权利要求2所述的一种基于卷积神经网络的不同光栅结构衍射系数预测方法,其特征在于,所述步骤
A1
进一步包括:
B1
:将输入的
n*n
像素的光栅图片,经过
a
个
4*4
的卷积核后,形成
a
通道的
m*m
的张量,进行批量归一化,再进行一个
relu
函数的非线性处理,最后进行一个
2*2
的最大池化,形成的图片群;
B2
:将的图片群经过
b
个
4*4
的卷积核后,形成
b
通道的
p*p
的张量,进行批量归一化,再进行一个
relu
函数的非线性处理,最后进行一个
2*2
的最大池化形成的图片群;
B3
:的图片群经过
c
个
4*4
的卷积核后,形成
c
通道的
q*q
的张量,进行批量归一化,再进行一个
relu
函数的非线性处理,最后进行一个
2*2
的最大池化形成的图片群;
B4
:的图片群经过
d
个
4*4
的卷积核后,形成
d
通道的
k*k
的张量
,
进行批量归一化,再进行一个
relu
函数的非线性处理,最后进行一个
2*2
的最大池化形成的图片群
。4.
根据权利要求1所述的一种基于卷积神经网络的不同光栅结构衍射系数预测方法,
其特...
【专利技术属性】
技术研发人员:刘建华,潘明忠,许学森,付芷婧,顾程鑫,万文泽,
申请(专利权)人:国科大杭州高等研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。