基于全模拟光子神经网络的情绪识别装置及方法与流程

本发明属于信息处理，尤其涉及基于全模拟光子神经网络的情绪识别装置及方法。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、传统的基于全模拟光学进行图像识别时，采用的方法是在全模拟光学系统中添加多层光学零件并且重新设计电子部件以进行并行输出，通过多个块级联解决识别任务；同时通过使用数字半导体电子部件和“一写多读”存储器，将连续的数据变换成数字形式；涉及的多个计算单元必须连接在单一或组间通信中，为了转移基于矩阵乘法的现代光学神经元网络的制造限制，在光子计算之前使用采样操作；

3、发明人发现，上述的方案存在以下缺陷：

4、1、由于设计的网络结果复杂，其识别任务需要考虑许多类和数千个待识别的对象的参数；数字半导体电子部件和“一写多读”存储器限制了识别数量，伴随着离散信号频谱失真，这样的系统建构不允许减小系统的物理尺寸，在光子计算之前使用采样操作，也会伴随着提及的固有限制。

5、2、现有的机器学习的时间和能量成本高，或用于模数转换的时间长，例如，在图像的情绪识别应用中，可以存在数千种情绪，在不同情绪之间有连续的范围，现代光学和数字工具无法涵盖广泛和连续的情绪范围。

6、3、全模拟光子芯片对电子模拟计算进行微调的自适应训练方法，可能对数字神经元网络具有限制，比如耗时和需要对连续信号进行采样。

7、4、涉及的多个计算单元必须连接在单一或组间通信中，在神经网络训练期间限制了通信效率，应用光学工具目前可以克服这种通信限制；然而，使用时间成本模数转换器进行组间通信的问题依然存在。

技术实现思路

1、为了解决上述背景技术中存在的至少一项技术问题，本发明第一方面提供基于全模拟光子神经网络的情绪识别装置，其不需要组装许多组，不需要数据采样和数字化，使用3d全息存储器，在图像集的傅里叶卷积矩阵形式的单一板上存储所有所需数据，每个矩阵单元对应于单一类别的图像。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一方面提供基于全模拟光子神经网络的情绪识别装置，包括第一子系统、第二子系统、第三子系统和电子数字控制器；所述三个子系统共用同一个激光器，所述第二子系统包括3d全息存储器；

4、所述电子数字控制器被配置为：将激光器发射的光束和训练图像数据集作为输入，控制第一子系统创建与训练图像数据集中不同离散情绪值对应的训练透明矩阵；

5、将激光器发射的光束和第一子系统的输出作为第二子系统的输入，控制第二子系统在3d全息存储器矩阵上生成不同的分离全息点，所述全息点对应各种离散情绪值；随着训练透明矩阵的光学改变，以参考光束和对象光束的不同角度记录3d全息存储器矩阵的不同全息点处的各种情绪；

6、所述第三子系统用于接收待识别的图像，通过记录在3d全息存储器矩阵中的全息点的值对应的情绪检测结果转化为信号输出。

7、进一步地，训练透明矩阵的数量对应于所记录情绪的数量，每个矩阵写入一种情绪；全息点的数量对应于所记录情绪的数量，全息点对应于各种离散情绪值。

8、进一步地，所述第一子系统还包括快门、空间光调制器、第一光束扩展器、第一光学块和第一偏转器；所述空间光调制器第一端通过第一光束扩展器连接至快门，第二端连接第一光学块，所述第一光学块和第一偏转器的一端相连，第一偏转器的另一端连接至电子数字控制器。

9、进一步地，所述控制第一子系统创建与训练图像数据集中不同离散情绪值对应的训练透明矩阵中，具体包括：

10、通过空间光调制器接收对象光束和训练图像集中的每一个图像，经过所述第一光学块，通过光学傅里叶卷积运算对激光器发出的对象光束进行变换，引导至所述第一偏转器，从所述第一偏转器到达训练透明矩阵的下一点；

11、激光器发出的参考光束经过扩展之后被引导至训练透明矩阵，在该训练透明矩阵中，傅里叶图像以全息图的形式固定。

12、进一步地，所述第二子系统还包括第二光束扩展器、第二光学块和第二偏转器和第三偏转器；

13、所述第二光束扩展器一端连接至激光器，另一端引导至训练透明矩阵，训练透明矩阵输出后引导至第二光学块，第二光学块通过第二偏转器偏转到3d全息存储器矩阵；第三偏转器一端引导至3d全息存储器矩阵，另一端连接至激光器上，同时第三偏转器连接至电子数字控制器。

14、进一步地，所述以参考光束和对象光束的不同角度记录3d全息存储器矩阵的不同全息点处的各种情绪，包括：

15、将激光器发出的对象光束引导至所记录的训练透明矩阵，经过所述第二光学块，在所述第二光学块中发生在训练透明矩阵中调制的图像集的傅里叶卷积，将对象光束聚焦成携带关于在训练透明矩阵中所记录的许多傅里叶图像的信息的一个光束，然后将光束通过第二偏转器偏转到3d全息存储器矩阵中对应的点，每个矩阵对应单一类别的图像；

16、将激光器发出的参考光束通过所述第三偏转器引导至对象光束的两次傅里叶变换的结果所指向的相同点，针对记录在另一训练透明矩阵上的另一情绪图像重复和对象光束相同的操作，直至将所有的训练透明矩阵存储至3d全息存储器矩阵中。进一步地，所述第三子系统还包括检测器、模数转换器和电子模拟计算器，所述检测器输入端连接至3d全息存储器矩阵，输出端连接至模数转换器和电子模拟计算器，在第三子系统执行情绪识别时，将检测器矩阵中的每种情绪都由不同强度的一组点表示，这些点全部通过模数转换器并且在电子模拟计算器计算的控制下显示。

17、本发明的第二方面提供基于全模拟光子神经网络的情绪识别方法，应用第一方面所述的基于全模拟光子神经网络的情绪识别装置，包括如下步骤：

18、获取训练图像数据集；

19、创建与训练图像数据集中不同离散情绪值对应的训练透明矩阵，通过训练透明矩阵中的单元值的卷积记录每一类情绪的每个点；

20、在3d全息存储器矩阵上生成不同的分离全息点，所述全息点对应各种离散情绪值；

21、随着训练透明矩阵的光学改变，以参考光束和对象光束的不同角度记录3d全息存储器矩阵的不同全息点处的各种情绪；

22、接收待识别的图像，通过记录在3d全息存储器矩阵中的全息点的值识别得到情绪种类。

23、进一步地，训练透明矩阵的数量对应于所记录情绪的数量，每个矩阵写入一种情绪；全息点的数量对应于所记录情绪的数量，全息点对应于各种离散情绪值。

24、进一步地，所述随着训练透明矩阵的光学改变，以参考光束和对象光束的不同角度记录3d全息存储器矩阵的不同全息点处的各种情绪，具体为：在光学矩阵改变期间，使用一个可重写3d全息存储设备，并且将以矩阵形式以参考射线和对象射线的不同角度记录该存储设备中的各种情绪。

25、与现有技术相比，本发明的有益效果是：

26、1、本发明通过具有包含3d全息斑点的单元的矩阵形式的单一3d全息存储器板改变训练光电神经元网络节点的多层结构之间的连接的权重的目前多个时期，这是图像和图像集的傅里叶卷积变换的结果，给予了仅通过一次光学操作就能训练全息存储器的可能性，解决了情绪识别数量的限制。

27、2、本发明通过用傅里叶卷积变换表示图像和图像集来改变对连续信号的传统采样从而保存其全部和无限范围的频谱；这确保通过一次光学操作来减少数千次和数百万次的离散数字和光学操作，解决了机器学习中无法涵盖广泛和连续的情绪的问题。

28、3、本发明在通过被写入全息存储器矩阵中的不同情绪的许多模糊值检测识别图像并且将这些值自动映射到连续坐标系（比如效价-唤醒度双极坐标系）时通过一次光学操作识别可能在实际实践中面临的约一千种情绪的集合，不受限于神经网络的训练。

29、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。