1.基于神经网络与蒙特卡洛的一维光子晶体反向设计方法,其特征在于,包括以下步骤:
s1、构造数据集,并划分为训练集、验证集和测试集;数据集中每个数据样本包括构造参数和对应的一维数组表示的反射谱图;根据需要,预设构造参数的范围,再从预设的构造参数空间中随机均匀选取参数组合,根据构造参数组合使用传输矩阵法计算指定波长范围内的反射谱图,并用一维数组表示反射谱图曲线上离散的反射率值;
s2、构造和训练神经网络,根据步骤s1中的训练集中的反射谱图和对应的构造参数数据对神经网络的参数利用反向传播算法进行训练;
s3、将迭代反射谱图输入神经网络,获取构造参数,根据构造参数再利用传输矩阵法获取对应的预测反射谱图;
s4、结合神经网络、蒙特卡洛移动和传输矩阵法进行迭代优化,获取优化后的构造参数,获得反向设计结果。
2.根据权利要求1所述的基于神经网络与蒙特卡洛的一维光子晶体反向设计方法,其特征在于,步骤s2中通过训练集数据来学习神经网络的网络权重参数,训练过程采用反向传播算法,利用验证集数据衡量神经网络训练完成结果,用测试集数据获取训练完成的神经网络反向预测的效果。
3.根据权利要求1所述的基于神经网络与蒙特卡洛的一维光子晶体反向设计方法,其特征在于,步骤s3中预测反射谱图的获取过程如下式子表示:
其中,
4.根据权利要求1所述的基于神经网络与蒙特卡洛的一维光子晶体反向设计方法,其特征在于,步骤s4的迭代优化过程如下:
s41、通过神经网络预测第i个迭代反射谱图对应的迭代构造参数,再用传输矩阵法计算迭代构造参数得到对应的第i个预测反射谱图;
s42、计算预测反射谱图与目标反射谱图之间的反射率均方误差mse;
s43、对迭代反射谱图进行蒙特卡洛移动,得到第i+1个迭代反射谱图;
s44、重复步骤s41~s42的操作得到新的反射率均方误差mse,若新的反射率均方误差mse没有上升,则继续迭代直到反射率均方误差不再下降;否则重新对第i个迭代反射谱图进行蒙特卡洛移动。
5.根据权利要求4所述的基于神经网络与蒙特卡洛的一维光子晶体反向设计方法,其特征在于,步骤s42中反射率均方误差mse如下所示:
其中,
6.根据权利要求1所述的基于神经网络与蒙特卡洛的一维光子晶体反向设计方法,其特征在于,步骤s1~s4可以通过多种编程语言实现,包括python、c++、java、matlab。