【技术实现步骤摘要】
本专利技术属于光学数据存储，具体涉及一种基于深度学习的多维光存储解码方法。
技术介绍
1、近年来，全球数据总量呈爆炸性增长，对数据存储技术构成了前所未有的压力与挑战。多维光存储技术通过增加存储维度显著提升了存储容量，满足了大数据发展对高容量存储的迫切需求，展现出更广阔的应用前景。2009年，zijlstra等人提出了一种基于金纳米棒的偏振和波长响应特性的五维光存储方案；2021年，ouyang等人通过引入光的轨道角动量,实现了结合波长、偏振和三维空间的六维光存储；而现有技术中，公开号为cn107993677a的中国专利，公开了一种用于多维度光存储中的激光直写方法，其中也提到了多维光存储技术。
2、然而，随着数据存储维度的增加，存储信息的读取难度也随之提升。传统的多维光存储读取解码方法依赖于存储数据与非存储数据之间的幅值差异，更高的存储维度和密度使得解码的幅值差异大大减少，且会导致相邻通道和数据点之间的信号串扰，从而增加解码过程中的误码率，成为制约技术性能提升的关键因素。商用存储设备通过增加调制和纠错编码的方式降低存储系统的误码率，但这也会增加存储数据量，约束实际存储容量。深度学习作为一种有效的数据驱动方法，能够提取数据本身的复杂和固有的规律，这为消除多维光存储串扰实现大容量高准确率存储提供了可能。wiecha等人将深度学习应用到光学数据存储编码中，实现了平面硅纳米结构的高密度光学信息存储，但目前将深度学习应用于存储读取解码中鲜有涉及。
3、因此，亟需一种基于深度学习的多维光存储解码方法，以解决上述问题，并
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种基于深度学习的多维光存储解码方法，以克服现有相关技术所存在的上述技术问题，本专利技术构建了多维光存储数据集和多维光存储解码网络模型，利用数据集对多维光存储解码网络模型进行训练与测试，将训练好的多维光存储解码网络模型用于多维光存储读取解码；使得本专利技术可以解决多维光存储技术的存储维度和容量提升所带来的高串扰、高误码率、多维存储读取解码困难和难以大规模应用的问题。
2、本专利技术的技术方案是这样实现的：一种基于深度学习的多维光存储解码方法，包括以下步骤：
3、步骤一：构建数据集；所述数据集包括多个数据组，每个所述数据组包括多维光存储数据；所述多维光存储数据，包括多个维度的光存储的目标数据，以及与该目标数据对应的待解码数据；
4、步骤二：数据预处理与构建网络模型；所述数据预处理，用于将所述数据集中的每组多维光存储数据进行同组整合，构建包含各多维度信道间关联的多维光存储解码网络的输入，以便所述多维光存储解码网络提取出多维度信道间关联；所述同组整合，指将同一所述多维光存储数据中的全部所述待解码数据整合成一个待解码数据，整合后的待解码数据与同一所述多维光存储数据中的任意所述目标数据对应；
5、构建所述网络模型，具体包括以下过程：根据所述数据集，调整所述多维光存储解码网络的网络架构，构建卷积层、池化层，得到多维光存储解码网络模型；
6、步骤三：网络模型训练与测试；将经过同组整合后的数据集划分为训练集和测试集，通过所述训练集对所述多维光存储解码网络模型进行训练，通过所述测试集对训练后的所述多维光存储解码网络模型进行测试；
7、步骤四：多维光存储读取解码；所述多维光存储读取解码为基于深度学习的多维光存储读取解码，具体包括以下过程：使用经训练后的所述多维光存储解码网络模型，并输入从步骤一所述数据集中读取到的待解码数据，所述多维光存储解码网络模型输出该待解码数据对应的解码数据。
8、进一步地，在所述步骤一中，所述数据集的构建是一个根据所述多维光存储数据的解码过程，具体为读取待解码数据到记录目标数据的映射过程，该映射关系如下：
9、目标数据=m（待解码数据），m（.）表示该映射函数。
10、进一步地，在所述步骤二中，所述数据预处理还包括以下处理过程：
11、每个多维度信道上的信道数据的尺寸由10×10开始扩展，各所述信道数据包括有信息位置和无信息位置，所述无信息位置用0填充，各个多维度信道上的填充数据的信息位置互不重叠；信道数据扩展后的尺寸为n×n，其中，n为正整数。
12、优选地，在所述步骤二中，所述多维光存储解码网络模型采用u-net卷积神经网络模型；
13、所述u-net卷积神经网络模型包括：所述卷积层（conv）、最大池化层（maxpool）、上卷积层（up-conv）、复制层（copy）、批处理归一化（batchnorm）和线性整流函数（relu）；
14、进一步地，使用所述u-net卷积神经网络模型来构建多维光存储解码网络，进行逐数据点分类，输入的数据尺寸与输出的数据尺寸相等，为输入、输出等量操作。
15、进一步地，所述多维光存储解码网络模型构建的映射关系公式为：
16、；
17、其中，是训练后的所述多维光存储解码网络模型所构建的映射，由一组包含权重和偏差的参数定义；而在中，是所述多维光存储解码网络模型中所有参数的集合；表示具有多维度组合的第i个多维度信道，是训练数据集；l是所述多维光存储解码网络模型用于测量目标数据和待解码数据通过所述多维光存储解码网络映射的解码数据之间的误差的损失函数；argmin表示获取所述损失函数最小值时的权重和偏差参数。
18、进一步地，对所述损失函数采用均方误差mse，具体表达式如下：
19、；
20、其中，n为正整数。
21、进一步地，在所述步骤三中，所述训练集的数量占同组整合后所述数据集的总数量的80％，所述测试集的数量占同组整合后所述数据集的总数量的20％。
22、进一步地，在所述步骤三中，所述多维光存储解码网络模型在训练时额外引入前向预测网络作为监督网络，所述监督网络提供的用于监督所述多维光存储解码网络模型进行训练的公式由损失函数决定，此时的损失函数则表示为：
23、；
24、其中，a和b为加权系数，是来自所述监督网络的预测函数；mse（.）表示对函数采用均方误差；是训练数据集；
25、进一步地，所述监督网络会学习存储系统目标数据到待解码数据的映射，预测固有误差，加速网络训练收敛，减少训练数据需求；
26、训练时，固定所述监督网络，将所述训练集内的各所述数据组中的目标数据定义为该数据组的标签，将待解码数据和对应的标签同时输入至所述多维光存储解码网络模型中；所述多维光存储解码网络模型开始自我学习待解码数据和对应标签的之间的映射关系。
27、进一步地，在所述步骤三中，所述测试集对所述多维光存储解码网络模型进行测试的过程，包括：
28、测试时，将所述测试集内每一组数据组中的待解码数据作为所述多维光存储解码网络的输入，将所述多维光存储解码网络的输出作为预测的解码数本文档来自技高网...
【技术保护点】
1.一种基于深度学习的多维光存储解码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤一中，所述数据集的构建是一个根据所述多维光存储数据的解码过程，具体为读取待解码数据到记录目标数据的映射过程，映射关系如下：
3.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤二中，所述数据预处理还包括以下处理过程：
4.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤二中，所述多维光存储解码网络模型采用U-net卷积神经网络模型；
5.根据权利要求4所述的一种基于深度学习的多维光存储解码方法，其特征在于，所述多维光存储解码网络模型构建的映射关系公式为：
6.根据权利要求5所述的一种基于深度学习的多维光存储解码方法，其特征在于，对所述损失函数采用均方误差MSE，具体表达式如下：
7.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤三中，所述训练集的数量占同组整合后
8.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤三中，所述多维光存储解码网络模型在训练时额外引入前向预测网络作为监督网络，所述监督网络提供的用于监督所述多维光存储解码网络模型进行训练的公式由损失函数决定，此时的损失函数则表示为：
9.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤三中，所述测试集对所述多维光存储解码网络模型进行测试的过程，包括：
10.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤四中，所述多维光存储读取解码输入的待解码数据所在的数据组为参与所述多维光存储解码网络模型训练与测试之外的同维度的数据组。
...【技术特征摘要】
1.一种基于深度学习的多维光存储解码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤一中，所述数据集的构建是一个根据所述多维光存储数据的解码过程，具体为读取待解码数据到记录目标数据的映射过程，映射关系如下：
3.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤二中，所述数据预处理还包括以下处理过程：
4.根据权利要求1所述的一种基于深度学习的多维光存储解码方法，其特征在于，在所述步骤二中，所述多维光存储解码网络模型采用u-net卷积神经网络模型；
5.根据权利要求4所述的一种基于深度学习的多维光存储解码方法，其特征在于，所述多维光存储解码网络模型构建的映射关系公式为：
6.根据权利要求5所述的一种基于深度学习的多维光存储解码方法，其特征在于，对所述损失函数采用均方误差mse，具体表达式如下：
...
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。