【技术实现步骤摘要】
一种基于深度学习的平面超振荡透镜优化设计方法
[0001]本专利技术涉及超振荡透镜
,具体而言,涉及一种基于深度学习的平面超振荡透镜优化设计方法
。
技术介绍
[0002]光学超振荡现象是指光场的带限函数在局部的振荡频率比其最快傅里叶分量还要快的现象
(Nano Lett.,2009,9(3):1249)。
平面超振荡透镜是一种利用微纳结构对透镜后光场进行精细调控,在特定位置实现特定干涉进而产生超振荡现象的透镜
(Sci.Appl.,2019,8:56)。
因此,平面超振荡透镜可在远场
、
超远场实现突破衍射极限的聚焦,并且不依赖于亚波长单元结构,在批量化制备
、
低成本推广等方面具有明显优势,是目前实现突破衍射极限聚焦的主要手段,已经在消色差
、
多焦点
、
光针和光片光场定制等方面表现出了优越的性能
。
[0003]平面超振荡透镜的优化设计主要是依靠基于遗传算法的超振荡透镜优化设计方法,分为遗传算法优化和超振荡光场的数值模拟
。
超振荡光场的数值模拟是基于传统衍射理论对平面超振荡透镜光场光强分布进行计算预测,预测的结果经过适应度函数的处理,转化为适应度值用于遗传算法的优化
。
超振荡光场的数值模拟一方面需要繁琐的积分迭代和反复的循环运算,另一方面需要采用高的采样频率来保证预测的精度,所以导致平面超振荡透镜的设计周期很长,并且在整个优化周期中需要耗费大量的计算 ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的平面超振荡透镜优化设计方法,其特征在于,包括步骤:
S1
:初始特征值定义在平面超振荡透镜的聚焦平面上,在聚焦平面上聚焦光斑的半高宽的值大于衍射极限时,初始定义特征值为0;在聚焦平面上聚焦光斑的半高宽小于衍射极限时,初始定义特征值为旁瓣与主瓣的比值;
S2
:获取超振荡透镜相应的特征值,构建深度学习建模的训练集和测试集,并将数据集划分为小批量;
S3
:构建基于卷积神经网络的超振荡特征值预测模型,对于二元型平面超振荡透镜,通过二进制向量表示平面超振荡透镜的结构,作为基于卷积神经网络的超振荡特征值预测模型的输入;
S4
:将基于卷积神经网络的超振荡特征值预测模型的输入按照行排列为给定行数和列数的二维矩阵,得到平面超振荡透镜矩阵特征图;
S5
:将平面超振荡透镜矩阵特征图输入到卷积块中,其中每个卷积块均包含二维卷积层
、
激活函数层和最大池化下采样层;将卷积块的输出再输入至线性块中,每个线性块都包含全连接层和激活函数层,线性块的输出为超振荡特征值;
S6
:将损失函数定义为预测值与真实值之差的平方和的平均值;
S7
:通过优化算法和学习率调整算法,将基于卷积神经网络的超振荡特征值预测模型输出的预测特征值和目标特征值输入到损失函数中计算误差,并根据误差进行反向传播更新卷积神经网络的参数;
S8
:将神经网络结合至遗传算法,输出最优解
。2.
根据权利要求1所述的基于深度学习的平面超振荡透镜优化设计方法,其特征在于,所述步骤
S8
包括:
S81
:基于卷积神经网络的超振荡特征值预测模型构建基于深度学习的平面超振荡透镜优化设计方法,通过初始种群生成器,以随机的方式构建初始种群,初始种群中每个个体由若干个二进制位组成,表示一个超振荡透镜的结构;
S82
:将初始种群中表示个体的二进制向量输入到基于卷积神经网络的超振荡特征...
【专利技术属性】
技术研发人员:虞益挺,安铖旭,赫培,李文丽,纪海玉,
申请(专利权)人:西北工业大学,
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。