[发明专利]实现数字识别的光学神经网络方法

说明书

本发明提出了一种实现数字识别的光学神经网络方法，包括获取数字图像特征步骤和构造光学神经网络步骤。所述光学神经网络由光学干涉模块、光学非线性模块和探测器阵列构成。所述光学干涉模块包括马赫曾德干涉仪阵列与可变光衰减器，可实现任意矩阵乘法运算。所述光学非线性模块由可饱和吸收体等具有非线性效应的器件构成，可实现人工神经网络中激活函数的功能。该方法利用光学计算缩短了计算时间，降低了计算能耗。

技术领域

本发明涉及光学神经网络技术领域，具体为实现数字识别的光学神经网络方法。

背景技术

人工神经网络(artificial neural network,ANN)受生物神经网络启发，是一种通过模仿动物神经网络的行为特征，实现分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

人工神经网络目前广泛应用在图像、语音、场景识别和决策问题等，同时在移动视觉、自动驾驶车辆和机器人以及无线智能传感器等嵌入式系统中也有所突破。但在嵌入式系统中由于模型的复杂性，需要更大深度的神经网络以及大量的能量和存储，因此计算时间和功率大大增加，使得某些算法实现起来的难度加深。

为了降低复杂性并提高计算速度，在硬件方面，图形处理单元(GPU)、专用集成电路(ASIC)和现场可编程门阵列(FPGA)等，都提高了学习任务的能效和速度。针对嵌入式视觉应用也尝试将一部分图像处理结合到传感器上，消除或减少将全部图像数据传送到处理器的需要，但计算时间与效率仍受到系统功率和带宽的严格限制。

发明内容

本发明的目的在于克服现有技术的不足通过简单神经网络——数字识别在光学神经网络中的验证，提供一种可用于复杂度更高的神经网络可行性方法。

本发明公开了一种实现数字识别的光学神经网络方法，包括如下步骤：

1)将呈28*28矩阵形式的数字图像，分割处理为四个14*14二值子矩阵作为四维输入向量；

2)将步骤1)得到的四维输入向量中的每一维作为一个输入，利用第一光学干涉模块接收四个输入，进行线性矩阵乘法运算，获得四个输出；所述第一光学干涉模块包括马赫曾德干涉仪阵列与可变光衰减器；

3)利用第一光学非线性模块接收第一光学干涉模块的输出光信号，对所述输出光信号进行非线性转换，得到四个输出光信号；

4)利用第二光学干涉模块接收第一光学非线性模块的输出光信号，再次进行线性矩阵乘法运算，获得四个输出；

5)利用第二光学非线性模块接收第二光学干涉模块的输出光信号，对所述输出光信号进行非线性转换，得到四个输出光信号；

6)利用四个探测器接收第二光学非线性模块的输出光信号，相同数字的光信号输入所对应的四个输出光信号比保持在一定范围内，通过四个输出光信号比的不同进行数字识别。

优选的，所述的步骤1)中，将四个14*14子图像中每个像素值为1的像素点占总像素点的比值作为四维输入向量。

优选的，所述的第一光学干涉模块对输入光信号进行线性变换，分为MZI-U阵列和MZI-V阵列，实现酉矩阵的光学计算，所述酉矩阵经奇异值分解获得。

优选的，每个MZI包括：内移相器，所述内移相器可控制MZI两个输出光信号的分光比；外移相器，所述外移相器可调节MZI两个输出光信号的相位延迟。

优选的，所述可变光衰减器控制MZI-U阵列输出光功率大小，可变光衰减器的输出与MZI-V阵列的输入进行光学通信；所述可变光衰减器，可实现奇异值分解中对角矩阵特征。

优选的，所述第一光学非线性模块为饱和吸收体、光学双稳态器件或非线性折射材料。