【技术实现步骤摘要】
本专利技术涉及深度学习和光学，尤其涉及一种基于噪声增强的光神经网络的设计方法及装置。
技术介绍
1、通过人工神经网络对图像进行分类学习，是当下的热点，可是人工神经网络一方面对硬件的算力要求非常高，另一方面对计算存储空间的要求也很高，这些要求限制了人工神经网络的发展。光学神经网络可以利用光做信息载体，使用二维超表面材料做光的控制器，超表面是一种亚波长结构的人造介质，其调控单元数目可达亿级，自由度极高。光神经网络具有高带宽、高互联性和并行处理性等特点，与人工神经网络相结合可以弥补其对于硬件的过高要求，同时运算速度更快。
2、在形成本专利技术的过程，专利技术人发现现有技术中存在如下技术问题：
3、光学神经网络技术目前还不够成熟，其中一大瓶颈在于光学神经网络的硬件一旦确定后，光路的传播即是确定的，无论是生成工艺的误差、组装的误差、光线的误差等任何一种误差，都会造成理论值与实际值的偏移，继而影响最后的分类结果。这区别于人工神经网络的参数二次可调，若不能减少公差对光神经网络的影响，则分类或特征工程的计算效果远低于算法设计预期...
【技术保护点】
1.一种基于噪声增强的光神经网络的设计方法，其特征在于，所述光神经网络包括若干层超表面，包括如下步骤：
2.根据权利要求1所述的基于噪声增强的光神经网络的设计方法，其特征在于，所述硬件误差噪声包括超表面层间距误差、超表面之间的错位误差、晶圆厚度误差和晶圆加工误差中的至少其一。
3.根据权利要求2所述的基于噪声增强的光神经网络的设计方法，其特征在于，所述步骤引入所述噪声信息、结合梯度回传优化所述光神经网络模型包括：
4.根据权利要求1所述的基于噪声增强的光神经网络的设计方法，其特征在于，所述成像误差噪声包括所述光神经网络生成分类图像的...
【技术特征摘要】
1.一种基于噪声增强的光神经网络的设计方法，其特征在于，所述光神经网络包括若干层超表面，包括如下步骤：
2.根据权利要求1所述的基于噪声增强的光神经网络的设计方法，其特征在于，所述硬件误差噪声包括超表面层间距误差、超表面之间的错位误差、晶圆厚度误差和晶圆加工误差中的至少其一。
3.根据权利要求2所述的基于噪声增强的光神经网络的设计方法，其特征在于，所述步骤引入所述噪声信息、结合梯度回传优化所述光神经网络模型包括：
4.根据权利要求1所述的基于噪声增强的光神经网络的设计方法，其特征在于，所述成像误差噪声包括所述光神经网络生成分类图像的过程中的成像泊松噪声、光强信号对比度误差、温度误差、光入射角度误差和杂散光误差中的至少其一。
5.根据权利要求4所述的基于噪声增强的光神经网络的设计方法，其特征在于，所述步骤引入所述噪声信息、结合梯度回传优化所述光神经网络模型包括：
6.根据权利要求4所述的基于噪声增强的光神经网络的设计方法，其特征在于，所述步骤引入所述噪声信息、结合梯度回传优化所述光神经网络模型包括：
7.根据权利要求4所述的基于噪声增强的光神经网络的设计方法，其特征在于，...
【专利技术属性】
技术研发人员：沈华，宋凯，
申请(专利权)人：苏州山河光电科技有限公司，
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。