[发明专利]一种基于CNN-RNN并行融合的光子晶体透射光谱序列特征提取方法

说明书

本发明是一种基于CNN‑RNN并行融合的光子晶体透射光谱序列特征提取方法，涉及一般的序列型数据的处理分析，步骤是：采集一维光子晶体的透射光谱序列样本和结构参数组成训练数据集，通过构建的基于CNN‑RNN并行融合的神经网络模型进行特征提取和参量预测。利用融合后更加全面的序列特征对透射光谱序列进行分析，有效提升透射光谱序列的特征提取和结构设计性能。

技术领域

本发明的技术方案涉及一般的序列型数据处理方法，具体地说是一种基于CNN-RNN并行融合的光子晶体透射光谱序列特征提取方法。

背景技术

光子晶体的概念是根据传统的电子晶体类比而来的。通常的晶体，如半导体，是内部原子有序排列形成的一种周期性结构。正是这种周期性的排列，在晶体中产生了周期性的势场，使得在其中运动的电子受到周期势场的布拉格散射，从而形成能带结构，带与带之间可能存在能隙；同样，光子晶体的情况也非常类似，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来分析光子晶体的特性，主要有散射矩阵法和时域有限差分法(FDTD)等。其中，散射矩阵法在求解过程中占用了大量的内存和时间，很难应用到实际研究中，后者虽然大幅缩减了运算量，但由于在计算过程中对晶格形状的忽视，很难对特殊形状的光子晶体做到精确求解。此外，在光子晶体的制备过程中同样存在着困难。由于制造的不可逆性，成品的误差检测在应用传统的物理方法时将不可避免的造成设备损坏。

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。前人曾通过最基础的多层感知器实现了二维光子晶体中色散关系和光子带隙之间的预测，然而基础神经网络模型特征提取过于单一化，对于一些特殊的序列型数据，不能很好的进行特征提取和参量预测。

发明内容

本发明所要解决的技术问题是：提供一种基于CNN-RNN并行融合的光子晶体透射光谱序列特征提取方法，该方法能够将通过一维卷积网络和循环网络提取的空间几何特征和时间序列特征相融合，利用融合后更加全面的序列特征对透射光谱序列进行分析，有效提升透射光谱序列的特征提取和结构设计性能。

本发明解决该技术问题所采用的技术方案是：采集一维光子晶体的透射光谱序列样本和结构参数组成训练数据集，通过构建的基于CNN-RNN并行融合的神经网络模型进行特征提取和参量预测。具体步骤如下：

(1)获取训练数据集：

(1a)采集一维光子晶体的透射光谱序列，并导出mat格式文件作为数据样本；

(1b)对每个透射光谱序列对应的光子晶体结构参量进行数据预处理，分别除以各参量的最大值进行归一化并导出csv格式文件作为样本标签；

(2)构建基于CNN-RNN并行融合的神经网络模型；

(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等指标对所述网络模型的性能进行评价。

上述一种基于CNN-RNN并行融合的光子晶体透射光谱序列特征提取方法，所述训练数据集的获取，分别采集了周期连续、周期非连续等多种类型光子晶体的透射光谱序列作为不同的训练样本，再将经过预处理之后的相关结构参数作为标签数据，通过多组实验来验证该特征提取网络的普适性。

上述一种基于CNN-RNN并行融合的光子晶体透射光谱序列特征提取方法，所述神经网络模型结构包括并行融合模块和全连接层，并行融合模块用于提取光谱序列的空间像素特征和时间序列特征并进行融合传递；全连接层用于将最后一个并行融合模块输出的融合序列特征映射成光子晶体结构参量。