[发明专利]基于复函数神经网络的深度学习光学成像系统设计方法

权利要求书

1.基于复函数神经网络的深度学习光学成像系统设计方法，包括以下步骤：

步骤一，物距、系统焦距、F数作为输入，根据理想光学系统成像关系，确定像距、成像缩放比例；

步骤二，根据成像缩放比例和理想光学系统的物方图像，计算得到理想光学系统的像方图像；

步骤三，构建复函数生成器网络模型，所述复函数生成器网络模型中，包括第1层网络、第2层……网络、第N层网络；第1层网络由第一透镜面的参数曲率、折射率和物理间距构成；传播到第2层网络，由第二透镜面的参数曲率、折射率和物理间距构成；最后传播到第N层网络，由第N透镜面的参数曲率、折射率和物理间距构成；

步骤四、构建鉴别器网络模型，复函数生成器网络模型输出的像方图像被输入到鉴别器网络模型中，由鉴别器网络模型判断该像方图像与理想光学系统的像方图像的相似度；由设计指标确定鉴别器网络的判断阈值，当鉴别器网络模型判断像方图像与理想光学系统的像方图像的相似度达到阈值，输出“真”，停止反馈回复函数生成器网络模型，结束迭代；当鉴别器网络模型判断像方图像与理想光学系统的像方图像的相似度未达到阈值，输出“假”，并将该信号反馈给复函数生成器网络模型，继续对步骤三的复函数生成器网络参数进行迭代优化；理想光学系统的物方图像输入到鉴别器网络模型中，鉴别器网络模型判断是否需要继续优化计算，最终输出透镜面1～N的曲率、透镜面1～N的折射率、透镜面1～N的物理间距的具体数值；

步骤五，在完成上述复函数神经网络的深度学习模型的建立、训练，将一阶参数物距、系统焦距、F数进行离散化采样，离散化的物距、系统焦距、F数依次排列组合作为一组输入，对上述步骤一～步骤四进行重复，直至所有离散化的物距、系统焦距、F数排列组合完毕，其中物距从0.1m～1m以0.1m为间距采样，物距从1m～10m以1m为间距采样，物距从10m～100m以10m为间距采样，物距从100m～3000m以100m为间距采样，系统焦距从10mm～50mm以10mm为间距采样，系统焦距从50mm～500mm以50mm为间距采样，F数从1.5～10以0.5为间距等间距采样，然后将一系列离散化采样的一阶参数输入到复函数神经网络的深度学习算法中，将对应输出的透镜面1～N的曲率、透镜面1～N的折射率、透镜面1～N的物理间距存成一个数据库，作为使用阶段的光学成像系统初始结构；

步骤六，使用阶段，在训练完成并经过准确性验证的复函数神经网络深度学习算法中，输入一组光学成像系统设计指标和一阶参数，包括物距、系统焦距、F数，首先在步骤五建立的数据库中查找相似结构，并将其作为初始结构，经过复函数神经网络深度学习算法的设计优化，输出透镜面1～N的曲率、透镜面1～N的折射率、透镜面1～N的物理间距的具体数值，完成光学成像系统的设计。

2.如权利要求1所述的基于复函数神经网络的深度学习光学成像系统设计方法，其特征在于：步骤三中的复函数生成器网络构建原理如下，光波在介质中传播的具体体现为相位改变，同一种介质中遵从衍射传播，在透镜面n传播到透镜面n+1的过程中，折射率为n₁，物理间距为D_n，传播公式如式(1)，

式中，λ代表波长，(x,y,z)代表三维位置坐标，

当传播到达透镜面n+1时，前后两种介质的折射率分别为n₁和n₂，折射率发生改变时，光波在紧靠透镜面之前的平面上和紧靠透镜面之后的平面上的复振幅分布分别为

式中，A表示光波振幅，(x,y)表示二维坐标，z是定值，与物理间距D有关，是相位；

那么，透镜面对入射光波的相位改变为

光波在(x,y)处通过透镜面产生的相位变化为

式中，d₁和d₂分别是透镜面与前后两个平面之间的距离，它们随(x,y)坐标变化而变化，n₁是透镜面之前的介质折射率，n₂是透镜面之后的介质折射率，λ代表波长，d₁和d₂的值根据透镜面型公式确定；

由此，光波在透镜面n传播到透镜面n+1的模型建立，依次传递，即可完成整个复函数生成器网络模型的建立。