一种ECA-CNN融合双通道RNN并行提取光子晶体空间透射谱时空特征的方法

一种eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法
技术领域
1.本发明涉及回归预测和人工智能领域，特别涉及是指一种eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法。


背景技术：

2.光子晶体是将介电常数不同的介电材料在空间中周期性排列而形成的结构，能够控制在其中传播的光波，使其形成能带结构。人们通常根据电磁理论采用数值计算的方式来分析光子晶体的特性，常见的方式有散射矩阵法和时域有限差分法等，但都不可避免的有着一些缺陷。
3.深度学习的发展为光子晶体研究提供了新的视角，许多光学应用逐渐结合并受益于深度网络模型。前人曾使用深度卷积网络研究少模光纤的波束方向图，通过对其空间像素特征的分析来预测模场的权重和相位差；也曾使用循环网络研究光子晶体的透射光谱和反射光谱，通过对其时序特征的分析来进行光子晶体的结构设计。
4.光子晶体的空间透射谱作为一种同时包含时序特征和空间像素特征的特殊图像，由于图像的复杂性，单一的网络模型不足以提取完整的特征信息，本文所展示的基于融合特征的网络模型不失为一种很好的思路。


技术实现要素：

5.本发明目的在于提供一种eca
‑
cnn融合双通道rnn的深度神经网络，能够将通过卷积网络提取的空间像素特征和双通道循环网络提取的图像时序特征相融合，利用融合后更加全面的图像特征对图像进行分析，以提高基于复杂图像的参量预测性能，从而有效解决当前回归预测方法对复杂图像的特征提取不够全面，导致参量预测性能较低的问题。
6.本发明提供了一种eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法。该方法包括：
7.(1)分别获取一维光子晶体的空间透射光谱样本和相应的光子晶体结构参量作为训练数据集，并对结构参量进行数据预处理操作；
8.(2)设计eca
‑
cnn融合双通道rnn的神经网络模型；
9.(3)利用获取的数据集对构建的神经网络模型进行训练，并采用优化算法提高模型特征提取和参量预测性能；
10.(4)通过计算均方误差、均方根误差、平均绝对误差、平均相对误差、平均绝对百分比误差和对称平均绝对百分比误差指标对所述网络模型的性能进行评价。
11.进一步地，所述训练数据集的获取，分别采集不同类型的光子晶体空间透射光谱作为训练样本，将相应结构参量除以各自的最大值进行归一化操作以作为标签数据，通过多组试验来验证该网络模型的普适性。
12.进一步地，所述神经网络模型结构包括特征融合模块和全连接层，特征融合模块
用于提取空间透射光谱的空间像素特征和图像时序特征并进行融合传递；全连接层用于将最后一个特征融合模块输出的融合特征展平后映射成光子晶体的结构参量。
13.进一步地，所述的特征融合模块包含一个卷积模块和一个双通道循环层，卷积模块中通过在卷积层后接eca注意力机制，以一种不降维的局部跨信道交互策略增强卷积层对空间像素特征的提取能力；双通道循环层则通过两个并行的循环层提取并融合输入特征图的行、列时序特征来获取特征图整体的时间序列特征，两种特征按1:1进行融合后得到的新特征图作为下一层特征融合模块的输入继续进行特征提取。
14.进一步地，所述的神经网络模型在训练过程中利用了sigmoid非线性激活函数，其数学表达式为：
[0015][0016]
其中，x表示展平后特征序列的每个权重值，通过该公式可以将各个权重值都限制在0到1之间，此外，还利用自适应算法reducelronplateau动态调整学习率，当验证损失在一定迭代周期内没有变化时，学习率将按指定倍率进行衰减，通过多种优化方式来提高模型的特征提取和参量预测性能。
[0017]
进一步地，所述的多种网络模型性能评价指标，包括均方误差、均方根误差、平均绝对误差、平均相对误差、平均绝对百分比误差和对称平均绝对百分比误差等多种评价指标评价该模型的预测性能：
[0018][0019][0020][0021][0022][0023][0024]
其中，n表示样本数量，表示预测值，y
i
表示实际值，六种评价指标以不同方式反映了真实数据和预测数据两个集合的差异性，模型性能越高，评价指标值越接近于0。
[0025]
本发明提供的技术方案带来的有益效果至少包括：
[0026]
本发明中，获取包含光子晶体空间透射谱和相关结构参数的训练集；构建基于eca
‑
cnn融合双通道rnn的特征融合网络模型；利用获取的数据集对构建的网络模型进行训练，并采用优化算法提高模型特征提取和参数预测性能；再通过多种回归预测评价指标进行模型性能评估。在这个过程中，将通过eca
‑
cnn卷积模块提取的空间像素特征和双通道rnn提取的图像时序特征进行融合，利用融合后更加全面的图像特征对图像进行分析，以提高基于复杂图像的参量预测性能，从而有效解决当前回归预测方法对复杂图像的特征提取
不够全面，导致参量预测性能较低的问题。
附图说明
[0027]
图1是本发明提供的一种eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法的流程示意图。
[0028]
图2是本发明提供的eca
‑
cnn融合双通道rnn的神经网络建模示意图。
[0029]
图3是本发明提供的网络模型特征融合模块详情示意图。
[0030]
图4是本发明提供的网络模型eca
‑
cnn模块详情示意图。
[0031]
图5是本发明提供的网络模型双通道rnn模块详情示意图。
[0032]
图6是本发明提供的光子晶体空间透射谱数据集的获取流程示意图。
具体实施方式
[0033]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
[0034]
如图1所示，本发明提供了一种eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法。具体实施例包括：
[0035]
(1)分别获取abab型一维光子晶体的空间透射光谱样本和相应的光子晶体结构参量作为训练数据集，并对结构参量进行数据预处理操作；
[0036]
(2)设计eca
‑
cnn融合双通道rnn的神经网络模型；
[0037]
(3)利用获取的数据集对构建的神经网络模型进行训练，并采用优化算法提高模型特征提取和参量预测性能；
[0038]
(4)通过计算均方误差、均方根误差、平均绝对误差、平均相对误差、平均绝对百分比误差和对称平均绝对百分比误差等指标对所述网络模型的性能进行评价。
[0039]
在前述基于eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法的具体实施方式中，进一步地，所述训练数据集的获取，分别采集不同类型的光子晶体空间透射光谱作为训练样本，将相应结构参量除以各自的最大值进行归一化操作以作为标签数据，通过多组试验来验证该网络模型的普适性。
[0040]
在前述基于eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法的具体实施方式中，进一步地，如图2所示，基于神经网络模型结构包括特征融合模块和全连接层，特征融合模块用于提取空间透射光谱的空间像素特征和图像时序特征并进行融合传递；全连接层用于将最后一个特征融合模块输出的融合特征展平后映射成光子晶体的结构参量。
[0041]
在前述基于eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法的具体实施方式中，进一步地，如图3、4、5所示，所述的特征融合模块包含一个卷积模块和一个双通道循环层。卷积模块中通过在卷积层后接eca注意力机制，以一种不降维的局部跨信道交互策略增强卷积层对空间像素特征的提取能力；双通道循环层则通过两个并行的循环层提取并融合输入特征图的行、列时序特征并进行reshape操作来获取特征图整体的时间序列特征。两种特征按1:1进行融合后得到的新特征图作为下一层特征融合模块的输入继续进行特征提取。
[0042]
本发明中提供的光子晶体空间透射谱数据集的获取流程参见附图6，包括对结构参量随机取值；将结构参量进行归一化操作；收集csv参量标签；利用传播矩阵法计算层状光子晶体的空间透射光谱；收集mart光谱样本。
[0043]
在前述基于eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法的具体实施方式中，进一步地，所述的神经网络模型在训练过程中利用了sigmoid非线性激活函数，其数学表达式为：
[0044][0045]
其中，x表示展平后特征序列的每个权重值，通过该公式可以将各个权重值都限制在0到1之间。此外，还利用自适应算法reducelronplateau动态调整学习率，当验证损失在一定迭代周期内没有变化时，学习率将按指定倍率进行衰减，通过多种优化方式来提高模型的特征提取和参量预测性能。
[0046]
在前述基于eca
‑
cnn融合双通道rnn并行提取光子晶体空间透射谱时空特征的方法的具体实施方式中，进一步地，所述的多种网络模型性能评价指标，包括均方误差、均方根误差、平均绝对误差、平均相对误差、平均绝对百分比误差和对称平均绝对百分比误差等多种评价指标评价该模型的预测性能：
[0047][0048][0049][0050][0051][0052][0053]
其中，n表示样本数量，表示预测值，y
i
表示实际值，六种评价指标以不同方式反映了真实数据和预测数据两个集合的差异性，模型性能越高，评价指标值越接近于0。
[0054]
本实施例通过不同评价指标对比了不同神经网络模型的预测性能，具体如
[0055]
表1所示。
[0056] msermsemaemremapesmaperesnet4.50e
‑
062.10e
‑
031.70e
‑
032.93e
‑
030.2829％0.2830％crnn1.50e
‑
053.90e
‑
033.02e
‑
035.01e
‑
030.4906％0.4905％ours1.6e
‑
061.30e
‑
038.90e
‑
041.47e
‑
030.1468％0.1468％
[0057]
从表1可以看出，在所有的神经网络模型中，基于eca
‑
cnn融合双通道rnn的神经网络模型的预测性能最高，针对不同的评价指标对比，分别为1.6e
‑
06、1.30e
‑
03、8.90e
‑
04、1.47e
‑
03、0.1468％、0.1468％。证明了本发明方法的有效性，同时也说明了不同图像特征
起到了相互补充的作用。
[0058]
需要说明的是，以上所述仅为本发明实施例，仅仅是解释本发明，并非因此限制本发明专利范围，对属于本发明技术构思而仅仅显而易见的改动，同样在本发明保护范围内。