一种基于卷积神经网络的光学微纳结构优化方法技术

本发明专利技术属于光学结构设计技术领域，公开了一种基于卷积神经网络的光学微纳结构优化方法，本发明专利技术首先获取仿真数据集，构建基于卷积神经网络的预测光谱网络，采用仿真数据集对预测光谱网络进行训练得到训练好的预测光谱网络；然后结合训练好的预测光谱网络，利用遗传算法寻找得到最优光学结构。本发明专利技术能够解决传统的光学微纳结构设计方法存在的仿真时间长、需要人工干预、容易陷入局部最优的问题，本发明专利技术能够高效地寻得最优光学结构。明能够高效地寻得最优光学结构。明能够高效地寻得最优光学结构。

【技术实现步骤摘要】
一种基于卷积神经网络的光学微纳结构优化方法


[0001]本专利技术属于光学结构设计
，更具体地，涉及一种基于卷积神经网络的光学微纳结构优化方法。

技术介绍

[0002]在光电检测领域，通过环境折射率的变化检测环境组成成分具有十分重要的地位，随着超表面的出现，人们可以通过改变超表面结构的单元结构来实现对光学参数如振幅、偏振、相位等的调控。例如，光学微纳结构的透射光谱取决于超表面单元结构的结构参数和所选取的材料的折射率，当材料、超表面单元周期和工作波长范围选定以后，超表面结构的透射光谱将直接取决于其对应的超表面单元结构参数。
[0003]传统的光学结构设计的方法是利用数值仿真模拟和参数扫描来进行优化。先对光学结构进行仿真，判断其光谱是否符合需求，如果不符合，则采取参数扫描的方法对超表面单元结构的参数进行优化。
[0004]上述传统的光学结构设计的方法存在以下缺点：(1)仿真的时间过长，且每进行一次优化参数，都要对其结构重新进行建模再仿真，总体时间成本很大。(2)优化过程有局限性，且通常需要人工干预，其优化过程不能同时优化多个参数，仅优化一个参数，而固定其他参数，这样导致优化结果容易陷入局部最优。

技术实现思路

[0005]本专利技术通过提供一种基于卷积神经网络的光学微纳结构优化方法，解决传统的光学结构设计方法中的仿真时间长、需要人工干预、容易陷入局部最优的问题。
[0006]本专利技术提供一种基于卷积神经网络的光学微纳结构优化方法，包括以下步骤：
[0007]步骤1、获取仿真数据集，构建基于卷积神经网络的预测光谱网络，采用所述仿真数据集对所述预测光谱网络进行训练，得到训练好的预测光谱网络；
[0008]步骤2、结合所述训练好的预测光谱网络，利用遗传算法寻找得到最优光学结构。
[0009]优选的，所述基于卷积神经网络的光学微纳结构优化方法还包括：步骤3、通过数值仿真模拟对所述最优光学结构的光学属性进行验证。
[0010]优选的，所述步骤1中，所述获取仿真数据集包括以下子步骤：通过时域有限差分方法进行数值仿真模拟，批量仿真多组具有不同光学结构参数的光学微纳结构，并得到每一组光学微纳结构对应的光谱数据；每组初始数据组包括光学结构参数及其对应的光谱数据；针对每组初始数据组，将光学结构参数转换成其对应的光学结构图像，并对光学结构图像依次进行灰度化、归一化的预处理，将预处理后的光学结构图像及其对应的光谱数据作为仿真数据集中的一组数据组。
[0011]优选的，利用Python中的matplotlib库将光学结构参数转换成其对应的光学结构图像。
[0012]优选的，所述步骤1中，所述预测光谱网络的输入为预处理后的光学结构图像，所
述预测光谱网络的输出为光学结构图像对应的预测光谱；所述预测光谱网络包括交替连接的四个卷积层和四个最大池化层、三个连续的全连接层；四个卷积层的卷积核个数分别为16、32、64、64，对应的卷积核大小分别为(5，5)、(3，3)、(3，3)、(3，3)，四个卷积层使用的步长均为(1，1)，零填充均采用same模式，激活函数均为Relu函数；四个最大池化层的池化窗口均为(3，3)，步长均为(2，2)；三个全连接层的神经元个数分别为500、500、250，三个全连接层的激活函数均为Relu函数。
[0013]优选的，所述步骤2包括以下子步骤：
[0014]步骤2.1、在给定参数范围内，对待优化的光学结构参数进行二进制编码得到若干个不同的基因型编码；
[0015]步骤2.2、随机初始化一个种群，种群中的每个个体对应一个基因型编码；
[0016]步骤2.3、对种群中的每个个体进行解码得到每个个体对应的光学结构参数，将光学结构参数转换为光学结构图像，对光学结构图像依次进行灰度化、归一化的预处理；
[0017]步骤2.4、针对每个个体，将预处理后的光学结构图像输入至所述训练好的预测光谱模型，所述训练好的预测光谱模型输出预测光谱，基于预测光谱计算得到目标函数，根据目标函数得到适应度函数值；
[0018]步骤2.5、基于适应度函数值，依据随机竞争的选择方式选择个体作为父代；
[0019]步骤2.6、父代的基因型编码依据交叉规则进行交叉操作，产生子代；
[0020]步骤2.7、子代依据变异规则进行变异操作；
[0021]步骤2.8、判断子代的目标函数是否达到终止条件，所述终止条件为子代的目标函数符合设定的需求或达到设定的迭代次数；若是，则返回当前种群中的最优解作为所述最优光学结构；若否，则开始新一轮的迭代。
[0022]优选的，所述步骤2.1中，待优化的光学结构参数共m个，每个光学结构参数的编码长度为n位，通过交错每个光学结构参数的编码组合形成基因型编码，所述基因型编码为m*n位。
[0023]优选的，所述步骤2.5的具体实现方式为：每次选择父代时，按照轮盘赌的方式选择一对个体，将两者中适应度函数值较高的个体选为父代；按照上述方式选择父代直到选满种群个数为止。
[0024]优选的，所述交叉规则为：根据交叉概率，在父代中随机选择两个个体进行交叉，在其基因型编码内选择两个交叉点，在两个交叉点之间的父代编码进行交换，在交叉点之外的编码保留；所述变异规则为：根据变异概率，对子代进行变异，在其基因型编码内随意选择一个变异点，将其进行二进制反转。
[0025]优选的，所述光谱为透射光谱、反射光谱、吸收光谱、散射光谱中的一种；所述目标函数为偏振转换效率、特征光谱的半高全宽、品质因素、调制深度、灵敏度、工作波长中的一种。
[0026]本专利技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0027]在本专利技术中，首先构建基于卷积神经网络的预测光谱网络，并利用仿真数据集对预测光谱网络进行训练，得到训练好的预测光谱网络，然后结合训练好的预测光谱网络，利用遗传算法寻找得到最优光学结构。本专利技术中预测光谱网络的输入为光学结构图像，输出为光学结构图像对应的预测光谱，由于光学结构图像与光学结构参数相比，具有更丰富的
信息，因此本专利技术基于卷积神经网络构建的预测光谱网络能够提取更丰富的特征，能够更好地拟合光谱曲线，得到与真实光谱误差极小的预测光谱。本专利技术利用遗传算法结合训练好的预测光谱网络，在光学参数给定的范围内进行智能寻优，得到最优化的光学结构参数，不需要传统的人工干预的方式来优化参数，可以有效地改善传统光学参数优化容易陷入局部最优的问题，并且排除了人工干预的因素。此外，相对于粒子群算法等其他算法，遗传算法不容易陷入局部最优，优化结果更好。与传统的利用时域有限差分法进行数值仿真模拟来进行参数优化相比，本专利技术利用训练好的预测光谱网络得到最优光学结构能够大幅度地缩短计算时间，节约时间成本，提高优化效率。
附图说明
[0028]图1为本专利技术实施例提供的一种基于卷积神经网络的光学微纳结构优化方法的流程图；
[0029]图2为本专利技术实施例提供的一种基于卷积神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的光学微纳结构优化方法，其特征在于，包括以下步骤：步骤1、获取仿真数据集，构建基于卷积神经网络的预测光谱网络，采用所述仿真数据集对所述预测光谱网络进行训练，得到训练好的预测光谱网络；步骤2、结合所述训练好的预测光谱网络，利用遗传算法寻找得到最优光学结构。2.根据权利要求1所述的基于卷积神经网络的光学微纳结构优化方法，其特征在于，还包括：步骤3、通过数值仿真模拟对所述最优光学结构的光学属性进行验证。3.根据权利要求1所述的基于卷积神经网络的光学微纳结构优化方法，其特征在于，所述步骤1中，所述获取仿真数据集包括以下子步骤：通过时域有限差分方法进行数值仿真模拟，批量仿真多组具有不同光学结构参数的光学微纳结构，并得到每一组光学微纳结构对应的光谱数据；每组初始数据组包括光学结构参数及其对应的光谱数据；针对每组初始数据组，将光学结构参数转换成其对应的光学结构图像，并对光学结构图像依次进行灰度化、归一化的预处理，将预处理后的光学结构图像及其对应的光谱数据作为仿真数据集中的一组数据组。4.根据权利要求3所述的基于卷积神经网络的光学微纳结构优化方法，其特征在于，利用Python中的matplotlib库将光学结构参数转换成其对应的光学结构图像。5.根据权利要求1所述的基于卷积神经网络的光学微纳结构优化方法，其特征在于，所述步骤1中，所述预测光谱网络的输入为预处理后的光学结构图像，所述预测光谱网络的输出为光学结构图像对应的预测光谱；所述预测光谱网络包括交替连接的四个卷积层和四个最大池化层、三个连续的全连接层；四个卷积层的卷积核个数分别为16、32、64、64，对应的卷积核大小分别为(5，5)、(3，3)、(3，3)、(3，3)，四个卷积层使用的步长均为(1，1)，零填充均采用same模式，激活函数均为Relu函数；四个最大池化层的池化窗口均为(3，3)，步长均为(2，2)；三个全连接层的神经元个数分别为500、500、250，三个全连接层的激活函数均为Relu函数。6.根据权利要求1所述的基于卷积神经网络的光学微纳结构优化方法，其特征在于，所述步骤2包括以下子步骤：步骤2.1、在给定参数范围内，对待优化的光学结构参数进行二...

【专利技术属性】
技术研发人员：王原丽，富小鸥，杜庆国，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：