[发明专利]基于压缩感知的阵列SNSPD读出方法及装置

权利要求书

1.一种基于压缩感知的阵列SNSPD读出方法，其特征在于该方法包括：

(1)构建集成压缩感知采样和重建为一体的深度学习网络，所述深度学习网络具体包括依次连接的压缩采样子网络、初步重建子网络和编解码重建子网络；

(2)采用自然场景图片作为样本输入深度学习网络进行训练；

(3)从训练完成的深度学习网络中，提取压缩采样子网络的权值矩阵作为压缩感知采样矩阵S_r、S_c；

(4)将压缩感知采样向量S_ri,S_ci以偏置电流的形式加载到阵列SNSPD上，S_ri,S_ci分别表示S_r、S_c的第i行，S_ri,S_ci的元素数与阵列SNSPD的行和列的数目一致；

(5)将阵列SNSPD的所有像元的输出合并，并采用模数转换模块读出合并后的输出信号的幅值，并根据幅值获取阵列SNSPD中响应的像元总个数x_i；

(6)重复执行步骤(4)、(5)，直至采样矩阵S_r、S_c的行被遍历完，形成采样结果向量X＝{x_i}^T；

(7)将采样结果向量X输入训练好的深度学习网络中的初步重建子网络，编解码重建子网络输出的信号为重建信号Y，即阵列SNSPD的读出信号。

2.根据权利要求1所述的基于压缩感知的阵列SNSPD读出方法，其特征在于：所述压缩采样子网络具体为第一全连接层，用于执行如下计算过程：

X_j＝W₁^bD_j

W₁^b(i，(u-1)×N+v)＝C_r(i,u)×C_ci(i,v),i∈(1,q),u,v∈(1,N)

式中，D_j∈R^m×1表示压缩采样子网络输入的第j个样本，m表示样本维度,m＝NxN，N表示阵列SNSPD的行、列数目,X_j∈R^q×1是D_j压缩采样后得到的压缩感知测量值，q是测量次数，W₁^b∈R^q×m表示二值化权值矩阵,在全连接层的设置中由权值矩阵C_r、C_c构成，W₁^b(*，#)表示W₁^b的第*行第#列的元素，C_r(i,u)表示C_r的第i行的第u个元素，C_ci(i,v)表示C_c的第i行的第v个元素：

所述初步重建子网络具体为第二全连接层，用于执行如下计算过程：

D_j^r＝X_jW₂

式中，W₂∈R^m×q为映射矩阵，D_j^r∈R^m×1是初步重建后的响应信号；

损失函数为：

式中，L(W₂)表示损失函数，M表示样本数量；

所述编解码重建子网络包括依次连接的3层卷积层和3层反卷积层，3层卷积层用于对信号特征进行提取，3层反卷积层用于实现响应信号的重建。

3.根据权利要求1所述的基于压缩感知的阵列SNSPD读出方法，其特征在于：步骤(2)具体包括：

(2-1)将自然场景图片划分为若干个N×N的图像块，提取每个图像块的亮度分量存入一个一维向量中，将每个一维向量作为一个样本输入建立的深度学习网络，N表示阵列SNSPD的行、列数目；

(2-2)采用反向传播方法对建立的深度学习网络进行训练。