【技术实现步骤摘要】
本专利技术涉及光学和深度学习，特别是涉及一种量化光学衍射神经网络系统及其训练方法。
技术介绍
1、深度学习作为人工智能与机器学习方面最热门的方法之一，旨在使机器能够用类似于人类的学习方法分析输入的文字、图片等数据，用最快的速度获得样本数据的内在规律，以执行复杂困难的任务，目前深度学习凭借其优秀的算法，在自动驾驶、语音识别与医学分析等领域解决了诸多复杂难题，使其取得了显著性的进步。将深度学习与光学计算相结合是近年来的研究重点，作为电子神经网络的替代方案，新兴的光学神经网络通过使光通过一系列光学仪器来实现分层计算，在人工智能领域崭露头角。
2、常规加工主要有利用3d打印和光刻蚀两种手段。然而当前商用3d打印机加工精度和加工尺寸之间的矛盾难以协调，难以满足光学衍射深度神经网络大尺度高精度加工。而光刻蚀技术无论采用哪种掩膜套刻形式，都存在着高度向精度受限问题。并且光刻蚀技术每次只能刻蚀一个深度，当刻蚀次数过多时，加工对仪器对准精度要求较高也增加时间成本。这严重阻碍了光学衍射深度神经网络的发展和应用。
技术实现思路
1、本专利技术提供一种量化光学衍射神经网络系统及其训练方法，旨在一定程度上解决光学衍射神经网络加工制作难度大、精度要求高的问题。本专利技术是在传统光学衍射神经网络训练过程中加了一个量化的过程，用于将每次迭代更新的神经网络参数进行约束，使得网络参数对比度增大，从而降低在加工过程中对加工设备的精度要求。
2、第一方面，提供一种量化光学衍射神经网络系统，包括：光
3、
4、式中，表示第衍射调制层，表示第个衍射光栅，表示第个衍射光栅的空间坐标，和分别为第衍射调制层第个衍射光栅的振幅调制系数和相位调制系数；以及信息采集模块，其被配置为接收量化光学衍射神经网络模块的输出信号，并采集其光场信息。
5、振幅调制系数和相位调制系数通过深度学习方法优化得到。
6、光学输入模块、量化光学衍射神经网络模块和信息采集模块之间的间距以及以及衍射调制层衍射光栅之间的间距通过预先训练得到。
7、通过对衍射光栅相位调制系数进行量化实现对衍射光栅厚度的量化。
8、衍射调制层通过3d打印或光刻技术加工，衍射光栅厚度，式中：为输入光的波长，为衍射光栅的相位调制系数，为制作衍射调制层的材料在波长下相对于大气的折射率。
9、衍射光栅厚度理论最大值，加工设备及加工工艺精度分辨率为，根据和确定衍射光栅最大量化级数，，其中，表示向下取整。
10、衍射光栅的量化级数取值范围是0到之间的整数。
11、第二方面，提供一种所述的量化光学衍射神经网络系统的训练方法，建立所述的量化光学衍射神经网络系统的仿真模型，在仿真模型下展开训练：将携带目标信息的相干光输入量化光学衍射神经网络，量化光学衍射神经网络的衍射调制层的衍射光栅对光进行调制；获取量化光学衍射神经网络的输出结果；计算量化光学衍射神经网络的输出结果与真实值的之间的损失函数；利用损失函数对衍射光栅调制参数进行优化；在每次迭代优化后，对光栅调制参数进行量化；使用量化直通估计的方法估计量化后衍射调制层衍射光栅调制参数的误差梯度（使用量化前衍射调制层衍射光栅调制参数的误差梯度代替量化后衍射调制层衍射光栅调制参数的误差梯度）；经过多次迭代直至网络收敛且准确率无法提升时停止训练，将最终训练完成的衍射调制层的衍射光栅的调制参数进行量化后作为所述的量化光学衍射神经网络模块的衍射光栅调制系数。
本文档来自技高网...【技术保护点】
1.一种量化光学衍射神经网络系统，其特征在于，包括：
2.根据权利要求1所述的量化光学衍射神经网络系统，其特征在于，所述振幅调制系数和所述相位调制系数通过深度学习方法优化得到。
3.根据权利要求2所述的量化光学衍射神经网络系统，其特征在于，所述光学输入模块、所述量化光学衍射神经网络模块和所述信息采集模块之间的间距以及所述衍射调制层的所述衍射光栅之间的间距通过预先训练得到。
4.根据权利要求1所述的量化光学衍射神经网络系统，其特征在于，通过对所述衍射光栅相位调制系数进行量化实现对衍射光栅厚度的量化。
5.根据权利要求4所述的量化光学衍射神经网络系统，其特征在于，所述衍射调制层通过3D打印或光刻技术加工，衍射光栅厚度，式中：为输入光的波长，为衍射光栅的相位调制系数，为制作衍射调制层的材料在波长下相对于大气的折射率。
6.根据权利要求4所述的量化光学衍射神经网络系统，其特征在于，衍射光栅厚度理论最大值，加工设备及加工工艺精度分辨率为，根据和确定衍射光栅最大量化级数，，其中，表示向下取整。
7.根据权利要求6所述的量
8.一种权利要求7所述的量化光学衍射神经网络系统的训练方法，其特征在于，建立所述的量化光学衍射神经网络系统的仿真模型，在该仿真模型下展开训练：
9.根据权利要求8所述的训练方法，其特征在于，使用量化前衍射调制层衍射光栅调制参数的误差梯度代替量化后衍射调制层衍射光栅调制参数的误差梯度。
10.根据权利要求8所述的训练方法，其特征在于，使用量化函数将衍射调制层衍射光栅厚度量化到对应量化值，量化级数Q为3，量化函数为：
...【技术特征摘要】
1.一种量化光学衍射神经网络系统，其特征在于，包括：
2.根据权利要求1所述的量化光学衍射神经网络系统，其特征在于，所述振幅调制系数和所述相位调制系数通过深度学习方法优化得到。
3.根据权利要求2所述的量化光学衍射神经网络系统，其特征在于，所述光学输入模块、所述量化光学衍射神经网络模块和所述信息采集模块之间的间距以及所述衍射调制层的所述衍射光栅之间的间距通过预先训练得到。
4.根据权利要求1所述的量化光学衍射神经网络系统，其特征在于，通过对所述衍射光栅相位调制系数进行量化实现对衍射光栅厚度的量化。
5.根据权利要求4所述的量化光学衍射神经网络系统，其特征在于，所述衍射调制层通过3d打印或光刻技术加工，衍射光栅厚度，式中：为输入光的波长，为衍射光栅的相位调制系数，为制作衍射调制层的材料在波长下相对于大气的折射...
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。