[发明专利]一种非线性光学卷积神经网络的图像识别方法

权利要求书

1.一种非线性光学卷积神经网络的图像识别方法，其特征在于，所述方法包括以下步骤：

步骤a、设计光学卷积核结构、光学卷积特征图和计算方法；

步骤b、构建一层光学卷积神经网络模型，给出所述光学卷积核结构和所述光学卷积特征图的卷积计算公式；

步骤c、利用Swish非线性激活函数对所述光学卷积特征图进行非线性映射；

步骤d、构建多层所述光学卷积神经网络模型，并用Adam算法进行优化；

步骤e、在MNIST数据库上训练与测试模型，获得测试结果。

2.根据权利要求1所述的识别方法，其特征在于，步骤a中，所述光学卷积核采用平铺方式，其卷积核数量为16个，光学卷积通过点扩散函数计算，公式为：

其中，*表示二维卷积，PSF表示点扩散函数，Γ表示偏移量，Δx和Δy分别表示在垂直和水平方向上移动的距离，目的是卷积核与图像不发生重叠，W_i对应第i个卷积核，I_out表示对应卷积核输出的光学卷积特征图，其为平铺方式，

3.根据权利要求1所述的识别方法，其特征在于，步骤c中，激活函数Swish表示为：其中，β＝0.1。

4.根据权利要求1所述的识别方法，其特征在于，步骤d中，运用所述Adam算法进行优化时，非线性光学卷积神经网络损失函数表示为：其中，为目标值，为估计值，约束条件为：W＞0，即点扩散函数不能有负值。

5.根据权利要求1所述的识别方法，其特征在于，步骤e中，采用MNIST手写数字图像集作为测试图像，所述数据图像集共70000幅大小为28×28手写数字0～9图像，其中，55000幅图像为训练集，5000幅图像为验证集，10000幅图像为测试集。

6.根据权利要求5所述的测试方法，其特征在于，所述测试方法包括以下步骤：

步骤①、对MNIST中的三个图像数据集进行预处理，将手写数字图像放大至200×200；

步骤②、使用所述55000幅训练图像训练非线性光学卷积神经网络模型，然后，使用所述5000幅验证图像集对训练的模型进行验证。训练参数分别为：训练周期为1000，每个周期采用的批量为100个样本；

步骤③、使用所述10000测试图像对步骤②中训练得到的模型进行测试，识别准确率为97.87％。