[发明专利]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

说明书

本发明提供一种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，所述方法包括：获取包含光子晶体空间透射谱和结构参量的训练数据集；构建基于ECA‑CNN融合双通道RNN的神经网络模型；利用获取的训练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。其中，在训练过程中，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，根据融合后的特征对图像进行全面分析，完成光子晶体的结构设计。采用本发明，能够利用融合后更加全面的图像特征对图像进行分析，提高基于复杂图像的参量预测性能。

技术领域

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

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。

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。

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。

发明内容

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。

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：

(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；

(2)设计ECA-CNN融合双通道RNN的神经网络模型；

(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；

(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。

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。

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。

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。

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：