[发明专利]一种基于神经网络的光栅滤光片结构优化方法

权利要求书

1.一种基于神经网络的光栅滤光片结构优化方法，其特征在于：把计算所得经过预处理的光谱，以及每个光谱所对应的光栅滤光片结构参数数据对作为数据集，输入神经网络中,计算不同结构参数下的光栅滤光片所对应的光谱以及根据按需光谱设计对应的结构参数，该神经网络包括一个正向神经网络以及一个反向神经网络；

所述的预处理包括对光栅滤光片结构参数向量化和对光栅滤光片结构模型的光谱向量化，对光栅滤光片结构参数向量化是指将训练集和验证集分别处理成5000×4维矩阵和1000×4维矩阵，其中行数为样本个数，列数为光栅滤光片结构变量数；对光栅滤光片结构模型的光谱向量化首先将CST计算得到的光谱离散成201维离散值，再将其分别处理为5000×201维矩阵和1000×201维矩阵，其中行数表示样本个数，列数为光谱离散点数；

所述正向神经网络包括一个张量模块和一个上采样模块，张量模块由一个张量层和两个全连接层组成，上采样模块由三层转置卷积层和三层全连接层组成；通过使用转置卷积的方法实现上采样的过程，将低维度的输入数据转换为高维度的输出数据，张量模块首先以监督的方式训练，其中完整的1×201维光谱数据点均匀地下采样到1×26维向量，每一个由1×26维向量表示的子谱，被用作张量预训练的真实有效值；对上述张量模块进行训练后，将其输出到1×26子光谱中，并送入上采样模块，转换为从1×26增加到1×201的光谱数据；正向神经网络输入光栅滤光片的结构参数，预测得到该光栅滤光片的光谱，实现光栅滤光片的光谱预测；

所述的反向神经网络由一个卷积神经网络级联训练好的正向神经网络形成，卷积神经网络包含两层卷积层和一层全连接层；将201维离散的光栅滤光片光谱输入到卷积层中，卷积神经网络中间输出量为根据光谱预测的4维结构矢量，整个反向神经网络的输出为预测的4维结构经过训练好的正向神经网络模型得到的201维离散的光栅滤光片光谱；反向神经网络输入预先设定的光谱，预测得到与目标光谱相对应的结构参数，实现光栅滤光片的反向设计。

2.根据权利要求书1所述的一种基于神经网络的光栅滤光片结构优化方法，其特征在于：所述光栅滤光片为亚波长光栅结构，上层为光栅结构，下层是衬底，亚波长指的是结构的特征尺寸和工作波长相比来说相同甚至更小；结构参数是指在光栅滤光片周期性单元结构中，选择光栅结构沿x,y方向上的尺寸、z方向上的厚度以及光栅的周期作为结构参数；光谱由CST Studio Suite仿真软件计算得到。

3.根据权利要求书1所述的一种基于神经网络的光栅滤光片结构优化方法，其特征在于：先对正向神经网络进行学习训练，建立从光栅滤光片结构参数到光谱的映射关系，得到训练好的正向神经网络模型；然后对反向神经网络进行训练学习，建立从光谱到光栅滤光片结构参数的映射关系，得到训练好的反向神经网络。

4.根据权利要求书1所述的一种基于神经网络的光栅滤光片结构优化方法，其特征在于：将待测试的光栅滤光片结构参数矩阵输入到训练好的正向神经网络中，得到对应预测的光栅滤光片光谱，实现光栅滤光片的光谱预测；同样地，将待测试的光栅滤光片光谱矩阵输入到反向神经网络中，得到预测的结构参数，实现光栅滤光片的按需反向设计。