一种基于光子神经网络的飞行目标识别系统及搭建方法

1.本发明涉及人工智能领域，涉及机器视觉与目标识别技术，更具体地是一种基于光子神经网络的飞行目标识别系统及搭建方法，可用于工业生产、现代物流、灾害预警以及国家安全等。


背景技术：

2.目标识别技术(target identification technique)，是利用光电探测设备和计算机对遥远目标进行辨认的技术，利用计算机对光电探测设备获取的信号提取目标特征信息，并计算目标态势估计参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别技术识别在工业生产、现代物流、灾害预警、港口安防、军事领域等有着重要作用。
3.传统机器视觉系统的核心为光电传感器及计算机，其处理速度受限于传感器探测速率，数据传输速度以及算法的运算速度，且由于物理架构的束缚很难在处理速度有上很大突破与提升。传统架构的目标识别技术，在应用中面临识别速度较低、时效性较差的问题。特别是在军事领域等高强度作战环境下，这一缺点尤为明显。此外，目标识别算法需要依托较高性能的计算机运行处理，而这些计算机普遍具有体积与功耗较大的特点，使其在应用中受到了很大的限制、特别是军事应用中，无法装配于要求小体积、轻质量、低功耗的无人飞行器上。光子神经网络的提出，可以有效地解决这一问题。
4.不同于目前绝大部分基于电子计算机的人工神经网络，光子神经网络是一类以光学元件为硬件基础的人工神经网络，其突破了目标识别系统的物理架构，直接通过光子运算获取目标的分类以及态势感知信息，以光速完成目标识别，且体积小、质量轻、功耗低，有望替代传统以电子计算机为基础的目标识别系统，实现超快的目标识别。目前的基于光学元件的光子神经网络目标识别系统，分为光子芯片、衍射光子神经网络以及散射介质光子神经网络三类。光子芯片集成度高，然而无法直接对光学图像进行处理，需进行光-电-光的转换过程，效率较低，且加工难度大。衍射光子神经网络简单易实现，然而灵活性低，且系统体积随着网络结构的复杂度而逐渐增大。而散射介质光子神经网络结构紧凑，然而设计加工难度大。因此，目前尚缺乏一种光子神经网络目标识别系统兼具以上优势，以解决传统目标识别系统识别速度低、体积大、功耗大的问题。


技术实现要素：

5.本发明旨在提供一种基于光子神经网络的飞行目标识别系统，面向高速运动飞行器，包括但不限于飞机，无人机，直升机，滑翔机，三角翼等航空器以及导弹、制导武器的军用飞行器等目标设计并搭建光子神经网络的超快飞行目标识别系统，实现高速运动目标的快速识别。
6.本发明提供一种基于光子神经网络的飞行目标识别系统，包括成像与滤波模块，光场缩放与耦合模块，光子神经网络模块，模式调控模块，输出光场耦合模块；
7.所述成像与滤波模块对目标进行成像与滤波；
8.所述光场缩放与耦合模块是包含物镜的4f系统，所述成像与滤波模块与所述光场缩放与耦合模块的光轴需共轴，所述成像与滤波模块的像面与所述光子神经网络模块端面互为共轭面；
9.所述光子神经网络模块用于对所述光场缩放与耦合模块输入的光场进行运算，包括线性运算部分与非线性运算部分，所述线性运算部分采用多模光波导以构成光子神经网络；
10.所述输出光场耦合模块，用于接受所述光子神经网络模块运算后的光场，并对所述光场输出并行运算结果。
11.作为本发明的进一步改进：所述成像与滤波模块中的滤波片采用可调滤波器或窄带滤片，其中心波长为可见光至中红外的任一波长且带宽应小于2nm。
12.作为本发明的进一步改进：所述光子神经网络采用多模光波导，包括多模光纤、多芯光纤或片上多模波导，所述光子神经网络具有可重构特性。
13.作为本发明的进一步改进：所述的光子神经网络的线性运算是通过多个模式调控模块实现。
14.作为本发明的进一步改进：所述光子神经网络的非线性运算通过模式非线性耦合实现的，包括四波混频、交叉相位调制或声子-光子耦合。
15.作为本发明的进一步改进：所述输出光场耦合模块包括光场耦合与光电转换，所述光场耦合包括自由空间耦合、成像系统或光子灯笼；所述光电转换包括面阵探测器，线探测器阵列或多个点探测器。
16.本发明还提供一种飞行目标识别系统的搭建方法，包括人工神经网络设计和人工神经网络的光子学实现；
17.所述人工神经网络设计包括：
18.采用不同小样本学习方法，对比各网络结构的复杂度与对高速并行计算的需求程度，获取最适合进行光学实现的人工神经网络结构；
19.获取数据集，对样本进行预处理；将预处理后的样本输入所述人工神经网络进行学习，获取测试结果，调整参数优化所述人工神经网络结构，并通过计算机验证，以获得所述人工神经网络的网络结构和网络参数；
20.所述人工神经网络的光子学实现包括：
21.使用全光无源元器件实现所述人工神经网络；利用优化所得的人工神经网络结构参数计算模式耦合矩阵，确定模式调控模块参数；搭建所述基于光子神经网络的飞行目标识别系统；对所述基于光子神经网络的飞行目标识别系统进行实验验证与参数优化调整。
22.与现有技术相比，本发明的有益效果是：
23.本发明提供一种基于光子神经网络的飞行目标识别系统，设计一种基于全光无源元器件的光子神经网络传输与调控模型，面向高速飞行目标的小样本学习进行训练，搭建静态与动态目标识别系统，实现对高速飞行领域中运动目标的识别。
附图说明
24.图1为本发明实施例提供的基于光子神经网络的飞行目标识别系统的搭建方法流
程图；
25.图2为本发明实施例提供的基于光子神经网络的飞行目标识别系统的结构示意图；
26.图中：成像与滤波模块1、光场缩放与耦合模块2、光子神经网络模块3、模式调控模块4、输出光场耦合模块5。
具体实施方式
27.为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
28.由于目前普遍所用深度学习方法的关键在于海量标注数据的支持，但在许多领域如工业生产、军事安全、高科技研发等方面，很多时候难以获得海量的标注数据以供训练。而小样本学习具有不改变训练模型、借助极少的标注样本学习新类别的能力，成为解决此类问题重要的方法之一。
29.本发明实施例将基于小样本学习的人工神经网络结构进行全光学元件的物理实现，将小样本学习与光子神经网络相结合，面向未知高速飞行运动目标提供一种超快速识别的系统。
30.请参阅图1所示为本发明的基于光子神经网络的飞行目标识别系统的搭建方法流程图，包括人工神经网络设计s1，以及人工神经网络的光子学实现s2。具体流程如下：
31.所述人工神经网络设计s1具体包括如下步骤：
32.步骤s101：研究对比不同小样本学习方法，如孪生网络、匹配网络、原型网络、图神经网络、元学习优化器这五种方法对miniimagenet数据集的测试结果情况，其结果中元学习优化器方法在电子神经网络中计算成本高、训练速度慢，且结构复杂度较低，故而非常适合在高速并行的光子神经网络中实现。本实施例采用元学习优化器作为对飞行器目标特征提取及识别的人工神经网络结构，结合光子学实现机理，探讨其可实现性，并调整网络结构，最终确定一种可通过光子元件实现的适用于飞行器目标识别的光子神经网络结构。
33.步骤s102：选取飞行器样本数据集。所述数据集包括但不限于飞机，无人机，直升机，滑翔机，三角翼等航空器以及导弹、制导武器的军用飞行器，本实施例采用加州理工大学的caltech飞机侧面图像数据集。对样本进行预处理，包括去均值、归一化、去相关、白化。其中，所述去均值用于将输入数据各个维度都中心化为零，所述归一化用于将幅度归一化到相同的范围以减少各维度数据取值范围的差异而带来的干扰，所述去相关用于降维，所述白化用于对数据各个特征轴上的幅度归一化。
34.步骤s103：选取预处理后的20个样本分为80％的训练集与20％的测试集，使用训练集输入元学习人工神经网络进行学习，通过测试集测试结果，并调整网络各参数优化网络结构，并通过计算机验证其可靠性，包括对抗样本与鲁棒性、可解释性等。
35.通过人工神经网络的计算机辅助设计，得到适用于飞行器目标的人工神经网络的网络结构与网络参数，并通过光子学元件实现，即人工神经网络的光子学实现s2。
36.所述人工神经网络的光子学实现s2具体包括以下步骤；
37.步骤s201：使用全光无源元器件实现所述人工神经网络；将人工神经网络设计s1中设计的人工神经网络结构进行光子学实现。传统电子神经网络中的线性运算部分使用多
模光波导代替，为了实现高速并行的光学线性运算，光子神经网络运算核心采用多模光波导，包括但不限于大直径多模光纤、多芯光纤、集成式片上多模波导等，本实施例使用大直径105μm多模光纤；非线性运算部分主要利用模式间的非线性耦合实现，包括但不限于四波混频、交叉相位调制、声子-光子耦合、有源吸收与频率上转换等，本实施例使用交叉相位调制；反馈与权重偏置等参数调控使用多模光波导与长周期光栅实现波长与空间两个维度的调控，结合定向弯曲系统应用于传输系统中，实现可重构的模间调控，达到权重与偏置的反馈迭代调整。
38.步骤s202：利用人工神经网络设计s1中的人工神经网络结构参数计算多模光纤中模式耦合矩阵，调整检测模式耦合矩阵，确定模式调控模块内各单元的参数。
39.步骤s203：搭建基于光子神经网络的飞行目标识别系统，如图2所示为基于光子神经网络的飞行目标识别系统的结构示意图，包括以下模块：成像与滤波模块1、光场缩放与耦合模块2、光子神经网络模块3、模式调控模块4、输出光场耦合模块5。其中，成像与滤波模块1,对飞行器目标进行成像与滤波，尽量提取待测物波长频率特征，所述的成像与滤波模块1中滤波片采用可调滤波器或窄带滤片，其中心波长可以是可见光至中红外的任一波长且带宽应小于2nm，本实施例采用可调滤波器；光场缩放与耦合模块2，是包含物镜的4f系统，两者光轴需共轴，使成像与滤波模块1的像面与光子神经网络模块3的端面互为共轭面；光子神经网络模块3，为上述步骤中光学实现的线性运算与非线性运算部分，用于对输入光场进行运算；模式调控模块4，为上述步骤中模式调控部分，用于对光子神经网络参数进行反馈迭代调整；输出光场耦合模块5，光场由光子神经网络模块3传输后进入输出光场耦合模块5，从而输出并行运算结果，包括光场耦合与光电转换。其中光场耦合的方法包括但不限于自由空间耦合、成像系统、光子灯笼，本实施例采用成像系统。光电转换包括但不限于面阵探测器，线探测器阵列，以及多个点探测器，本实施例采用面阵探测器。
40.步骤s204：利用所述基于光子神经网络的飞行目标识别系统对静态飞行器与高速运动飞行器目标进行识别，调整参数对光子神经网络结构进行优化调整。最后完成基于多模光波导光子神经网络的目标识别系统的优化。
41.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
或“包含
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
42.尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。
43.以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。