[发明专利]一种采用优化初始权重的量子神经网络压缩计算全息图的方法

说明书

本发明提出了一种采用优化初始权重的量子神经网络压缩计算全息图的方法，属于计算全息图的压缩传输技术领域。该方法在量子BP神经网络压缩传输计算全息图的基础上，利用计算全息图训练集合预训练获取量子BP神经网络优化初始权重，通过设置预训练的参数随机初始化方差来加速预训练网络的收敛过程，再针对给定的全息压缩数据利用预训练获得的优化初始权重进行二次网络微调训练，同时在优化过程中动态调整网络学习速率以加速量子BP神经网络压缩传输过程。本发明在不改变原有量子BP神经网络的基础结构上能够使用更少的迭代次数完成压缩传输网络结构的训练，加快了量子BP神经网络对计算全息图的压缩速度并可以保证全息图再现像的质量。

技术领域

本发明提供一种采用优化初始权重的量子神经网络压缩计算全息图的方法，具体涉及到计算全息图的压缩传输技术领域。

技术背景

计算全息图方法具有灵活、简单、方便等特点，避免了传统的光学全息复杂的光路系统和繁琐的制备过程，可以得到人为设计光学全息难以达到的效果。计算全息图上每一点的值皆为衍射波与参考光之间干涉的结果，涵盖了物体全部信息，每张全息图包含大量冗余的信息，这对信息的存储传输产生了较高的要求，也限制了计算全息图的发展。

张超^[1]等人在“Chao Zhang,Guanglin Yang and Haiyan Xie,InformationCompression of Computer-Generated Hologram Using BP Neural Network,inBiomedical Optics and 3-D Imaging,OSA Technical Digest(CD)(Optical Society ofAmerica),paper JMA2, 2010.”中使用传统逆向(Back Propagation，BP)神经网络进行数字全息图的压缩传输，验证了使用人工神经网络压缩传输全息信息的可行性。然而，由于传统BP神经网络具有在信息量大的情况下处理速度过慢、记忆容量有限等缺陷，这些缺陷限制了这种技术应用于数字全息图像压缩传输的效果与应用价值。刘梦佳^[2]等人在“MengjiaLiu,Guanglin Yang,and Haiyan Xie,Method of computer-generated hologramcompression and transmission using quantum back-propagation neural network.Optical Engineering,Vol.56, No.2,pp.023104-1-6,February 2017.”中提供了一种量子逆向传播神经网络(QBP)^[3-5]的数字全息压缩传输方法，实验发现相比于传统BP神经网络，利用QBP神经网络对计算全息图进行压缩传输能够使用更少的迭代训练次数完成压缩传输网络结构的训练，提高计算全息图的压缩传输速度，同时保证了图像的恢复质量。但其存在的问题是：量子BP神经网络为随机初始化，这会使网络初始权值与最优权值相差较远，网络依然需要较多的迭代次数才能收敛。

发明内容

本发明提出了一种采用优化初始权重的量子神经网络压缩计算全息图的方法，可以有效地加快对计算全息图压缩传输的速度。

本发明的原理是：基于量子理论态叠加原理的量子BP神经网络具有比传统BP神经网络更快的并行处理速度和更强的存储数据的能力，在此基础上对计算全息图进行压缩可以获得较快的压缩速度。同时由于在菲涅耳离轴计算全息图压缩传输问题中，计算全息图皆为菲涅耳衍射与参考光干涉的结果，参考光的参数以及衍射过程中物体出射光波参数在整个过程保持不变，使得不同图像在全息平面生成的计算全息图存在较大的相似性，这保证了可以使用全息图训练集合预训练出有较好泛化能力的网络模型。由于预训练过程获得的优化初始网络权重有较好的泛化能力，且处于最优值附近，可以加速针对待压缩图像(不包含在全息图训练集合中)的二次训练中网络对数据的适应过程，从而提高二次训练的收敛速度，且网络只需要训练很少的次数即可提升图像压缩效果；同时由于预训练可以离线进行，从而极大缩少了计算全息图像的压缩时间。

本发明提供的技术方案是：