System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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,这些障碍制约着光学神经网络的落地应用。
技术实现思路
1、为解决上述的现有技术问题中光神经网络设计时的理论值与实际应用中的实际值存在差别,导致无法准确分类的问题,本专利技术的目的在于提供一种能够综合考虑噪音误差,使分类结果更准确的基于噪声增强的光神经网络的设计方法及装置。
2、为实现上述专利技术目的,本专利技术一实施方式提供一种基于噪声
3、获取训练图像集;
4、定义光神经网络模型的前传函数,所述前传函数用于生成图像经过所述光神经网络得到的分类图像,所述光神经网络模型的可训练参数包括所述超表面的几何参数;
5、获取噪声信息,其中,所述噪声信息包括硬件误差噪声和/或成像误差噪声;
6、利用所述训练图像集训练所述光神经网络模型,在训练过程中,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,直至满足训练结束条件;
7、根据训练完成的所述可训练参数确定所述超表面的工艺参数。
8、作为本专利技术的进一步改进,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。
9、作为本专利技术的进一步改进,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:
10、根据所述光神经网络模型中的参数,确定与该参数对应的所述硬件误差噪声的误差范围;
11、将所述光神经网络模型中的参数值替换为对应的所述硬件误差噪声的误差范围中的随机值;
12、通过前传函数生成参数值替换后的分类图像。
13、作为本专利技术的进一步改进,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。
14、作为本专利技术的进一步改进,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:
15、对生成的分类图像添加随机的所述成像泊松噪声,得到泊松噪声图像。
16、作为本专利技术的进一步改进,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:
17、基于所述光强信号对比度误差,对生成的分类图像中的分类区域和背景区域的像素强度分别进行增强或减弱,得到对比度误差图像。
18、作为本专利技术的进一步改进,所述光神经网络模型的超参数包括温度参数;
19、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:
20、根据所述温度参数确定所述温度误差的误差范围;
21、将所述温度参数替换为所述温度误差的误差范围中的随机值;
22、通过前传函数生成所述温度参数替换后的分类图像;
23、和/或,
24、所述光神经网络模型的超参数包括光入射角度参数;
25、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:
26、根据所述光入射角度参数确定所述光入射角度误差的误差范围;
27、将所述光入射角度参数替换为所述光入射角度误差的误差范围中的随机值;
28、通过前传函数生成所述光入射角度参数替换后的分类图像。
29、作为本专利技术的进一步改进,所述光神经网络模型的超参数包括光线参数;
30、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:
31、将所述训练图像集中的图像基于所述杂散光误差生成第一图像,其中,杂散光的波长与所述光线参数的波长不同;
32、通过前传函数生成与所述第一图像对应的第一分类图像;
33、根据基于所述光线参数得到的分类图像和所述第一分类图像,计算杂散光误差图像。
34、作为本专利技术的进一步改进,所述光神经网络模型的损失函数用于计算所述分类图像中的分类区域与背景区域的差距;
35、所述损失函数的计算方法包括:
36、基于所述分类图像中指定的分类区域,在所述分类区域以外的背景区域中确定与所述分类区域大小形状一致的对比区域;
37、计算所述分类图像对应的灰度图上的所述分类区域和所述对比区域的同一像素位置的灰度差值;
38、统计所述分类区域的全部的像素对应的所述灰度差值,确定所述损失函数。
39、作为本专利技术的进一步改进,所述损失函数包括全部所述灰度差值的均值、全部所述灰度差值的和、全部所述灰度差值中的最大值和全部所述灰度差值中的最小值等参数的至少其一、以及这些参数均匹配各自的权重系数。
40、作为本专利技术的进一步改进,所述步骤获取训练图像集包括:
41、获取样本图像集;
42、扩展所述样本图像集,生成训练图像集,其中,所述训练图像集对应的图像数量符合所述光神经网络模型的梯度回传优化的要求;
43、所述几何参数包括所述超表面的基元的形状、周期、以及与所述形状对应的尺寸参数和旋转角度参数。
44、为实现上述专利技术目的之一,本专利技术一实施例提供了一种基于噪声增强的光神经网络的设计装置,所述光神经网络包括若干层超表面,所述设计装置包括:
45、图像获取模块,用于获取训练图像集;
46、定义模块,用于定义光神经网络模型的前传函数,所述前传函数用于生成图像经过所述光神经网络得到的分类图像,所述光神经网络模型的可训练参数包括所述超表面的几何参数;
47、噪声获取模块,用于获取噪声信息,其中,所述噪声信息包括硬件误差噪声和/或成像误差噪声;
48、模型训练模块,用于利用所述训练图像集训练所述光神经网络模型,在训练过程中,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,直本文档来自技高网...
【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
8.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,所述光神经网络模型的超参数包括光线参数;
9.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,所述光神经网络模型的损失函数用于计算所述分类图像中的分类区域与背景区域的差距;
10.根据权利要求9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,所述损失函数包括全部所述灰度差值的均值、全部所述灰度差值的和、全部所述灰度差值中的最大值和全部所述灰度差值中的最小值等参数的至少其一、以及这些参数均匹配各自的权重系数。
11.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,所述步骤获取训练图像集包括:
12.一种基于噪声增强的光神经网络的设计装置,其特征在于,所述光神经网络包括若干层超表面,所述设计装置包括:
13.一种电子设备,其特征在于,包括:
14.一种可读存储介质,其存储有计算机程序,其特征在于,该计算机程序被处理模块执行时可实现权利要求1至11中任意一项所述的光神经网络的基于噪声增强的设计方法中的步骤。
...【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。