[发明专利]基于BP神经网络的光栅入射参数反演模型的构建方法

权利要求书

1.一种基于BP神经网络的光栅入射参数反演模型的构建方法，其特征在于，包括：

S1：采集光栅耦合器的若干组入射参数数据和输出耦合效率数据作为训练样本；

S2：构建光栅入射参数反演神经网络模型结构；

S3：根据所述训练样本对所述光栅入射参数反演神经网络模型进行训练和优化，以得到所述光栅入射参数反演模型。

2.根据权利要求1所述的基于BP神经网络的光栅入射参数反演模型的构建方法，其特征在于，所述入射参数包括光信号的入射角度、入射波长和入射偏振态；所述输出耦合效率包括Z正向光栅耦合效率、Z反向光栅耦合效率和光栅总耦合效率。

3.根据权利要求1所述的基于BP神经网络的光栅入射参数反演模型的构建方法，其特征在于，所述光栅入射参数反演神经网络模型结构，包括输入层、隐含层和输出层，其中，所述输入层设置有4个神经元，所述隐含层设置有8个神经元，所述输出层设置有3个神经元。

4.根据权利要求1所述的基于BP神经网络的光栅入射参数反演模型的构建方法，其特征在于，所述S3包括：

S301：初始化所述光栅入射参数反演神经网络模型的权值；

S302：设置所述光栅入射参数反演神经网络模型的学习次数M、误差精度ε；

S303：输入所述训练样本，计算所述光栅入射参数反演神经网络模型的各层的输入和输出；

S304：根据所述输出结果，计算所述光栅入射参数反演神经网络模型的训练误差；

S305：根据所述训练误差，计算得到所述权值的调整值并更新所述权值；

S306：重复步骤S303-S305，直到所述训练样本用尽完成一次学习，执行步骤S307；

S307：计算得到全局误差E，当所述全局误差E大于所述误差精度ε或学习次数小于所述学习次数M时，执行步骤S303-S306；当所述全局误差E小于所述误差精度ε或学习次数大于等于所述学习次数M时，得到所述光栅入射参数反演模型。

5.根据权利要求4所述的基于BP神经网络的光栅入射参数反演模型的构建方法，其特征在于，所述S301包括：

对所述光栅入射参数反演神经网络模型中输入层与隐含层的连接权值w_ih，以及隐含层与输出层的连接权值w_ho，分别赋予(-1,1)内的随机值，完成初始化。

6.根据权利要求5所述的基于BP神经网络的光栅入射参数反演模型的构建方法，其特征在于，在所述S303中，

所述训练样本中的第k组样本作为输入层的输入x_i(k)，则经过输入层传输至隐含层的输入为：

其中，x_i(k)表示输入层的输入k＝1,2,….，n表示输入层的神经元个数，b_h表示隐含层各神经元的阈值；

经过隐含层后隐含层的输出为：

ho_h(k)＝f(hi_h(k))h＝1,2,…，

其中，表示隐含层的激活函数；

传输至输出层的输入为：

其中，p表示隐含层的神经元个数，b_o表示输出层各神经元的阈值；

经过输出层后输出层的输出为：

yo_o(k)＝g(yi_o(k))o＝1,2,…，

其中，g(u)＝u，表示输出层的激活函数。

7.根据权利要求6所述的基于BP神经网络的光栅入射参数反演模型的构建方法，其特征在于，所述S304包括：

计算得到实际输出与期望输出的误差e，

其中，do(k)表示第k组样本对应的期望输出，q表示输出层的神经元个数；

根据实际输出与期望输出的误差e，计算得到输出层训练误差δ_o(k)以及隐含层训练误差δ_h(k)，