一种基于混合密度网络和K-Means聚类算法的光纤多样化结构逆向设计方法
本发明涉及光纤,尤其涉及一种基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法。
背景技术:
1、随着人工智能、大数据等技术的快速发展,数据通信带宽和交换能力的需求日益增长。具有极限或理想光学特性的新型光纤结构(如轨道角动量光纤、多芯光纤、弱耦合少模光纤等)的设计与研发,对推动超高速密集光纤通信网络的发展具有重要意义。目前,传统光纤设计方法主要依赖有限元法等数值仿真,结合人工经验调参或优化算法进行结构参数的迭代寻优。这类方法收敛速度慢、计算耗时长,且在强非线性、多极值的设计空间中极易陷入局部最优解,整体设计效率低,优化效果有限。
2、近年来,深度学习被引入光学结构逆向设计领域,其能够快速学习从光学特性到光纤结构的逆向映射,显著提升设计效率,但仍存在两大关键局限:
3、其一,光纤结构与其光学特性之间存在“一对多”的非唯一性映射,导致逆向网络训练难以稳定收敛。串联网络虽能稳定训练,但屏蔽了多解性,导致大量潜在可行结构被排除,解空间多样性不足。
4、其二,逆向生成网络通常需同时输入多个理想目标光学特性,但各光学特性之间存在复杂的物理依赖与约束,任意设定的理想数值组合未必能同时物理实现,所生成的结构方案难以保证工程可行性。
5、因此,亟待一种训练稳定性与解空间多样性,以应对非唯一性映射,同时兼顾光学特性间的物理约束纳入设计框架,确保输入目标的物理可实现性的光纤多样化结构逆向设计方法。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足,期望提供一种基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法。
2、本发明提供的一种基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,包括:
3、步骤1,采集不同光纤的结构参数及其中不同传输模式的光学特性,组成数据集;
4、步骤2,分析所述数据集中不同模式不同光学特性之间的光学物理规律,建立预测神经网络,将某个特定目标的光学特性输入所述预测神经网络,得到物理可实现的理想目标光学特性组合;
5、步骤3,通过所述数据集训练所述预测神经网络并保存训练完成的所述预测神经网络;
6、步骤4,通过训练完成的所述预测神经网络,生成若干组符合光学规律的、物理可实现的光学特性组合,并筛选出符合设计要求的理想目标光学特性组合;
7、步骤5,建立混合密度网络,将所述理想目标光学特性组合输入所述混合密度网络,输出由多个高斯分布的加权混合所构成的概率分布参数;
8、步骤6,通过所述数据集训练所述混合密度网络并保存训练完成的所述混合密度网络;
9、步骤7,将所述理想目标光学特性组合输入训练完成的所述混合密度网络,输出对应光纤结构参数的高斯混合分布参数,并从所述高斯混合分布参数中获取多个候选结构解;
10、步骤8,对所述候选结构解进行筛选,得到最终候选结构解。
11、进一步地,所述步骤1中,采用有限元仿真方法采集不同光纤的结构参数及其中不同传输模式的光学特性,组成数据集。
12、进一步地,所述步骤2中,所述预测神经网络将不同光学特性之间的复杂相互依赖关系与潜在物理约束具象化,将某个特定目标光学特性作为输入,输出对应的其他所有光学特性,获得一组符合光学规律的、物理可实现的目标光学特性组合。
13、进一步地,所述步骤5中,在所述混合密度网络的输出层,假定对于给定的一组目标光学特性组合,每个光纤结构参数服从由多个高斯分布加权组合构成的混合分布,各高斯分量的混合系数通过softmax函数进行归一化处理。
14、进一步地,所述步骤6中,采用连续分级概率评分对所述混合密度网络的预测效果进行评估,所述连续分级概率评分用于衡量预测概率分布与真实值之间的一致性。
15、进一步地,所述步骤6中,采用最大似然估计对所述混合密度网络进行训练,通过最小化负对数似然函数实现参数更新。
16、进一步地,所述步骤7中,训练完成的所述混合密度网络输出的高斯混合分布参数包括各高斯分量对应的混合系数、均值向量和标准差向量;其中,每个高斯分量的均值向量作为对应结构解簇的代表解,全部高斯分量对应的结构解簇均予以保留。
17、进一步地,所述步骤8中,对所述候选结构解进行筛选的方法包括:根据步骤7中得到的高斯混合分布参数,对所述候选结构解进行扩展,在每个高斯分布输出的峰值处进行采样,通过不同峰值之间的排列组合生成更多候选结构,然后对扩展后的候选结构进行筛选。
18、进一步地,所述步骤8中,对扩展后的候选结构进行筛选的方法包括:通过k-means聚类算法将所有候选结构解划分为若干子集,从每一个子集中选取一组结构参数组合作为最终候选结构解。
19、进一步地,采用轮廓系数作为聚类效果的评价指标,获得随k变化的评价曲线,选择平均轮廓系数最大的k作为最优聚类数。
20、相对于现有技术而言,本发明的有益效果是:
21、(1)不同光学特性之间往往存在潜在的约束关系,并非彼此独立,在逆向设计中,如果忽略光学特性间的关联性,盲目输入任意理想光学特性组合值,往往难以获得真实可行的光纤结构,本发明通过分析光学特性的物理规律,构建不同光学特性之间的预测神经网络,利用预测神经网络生成符合真实物理规律的光学特性组合,确保了逆向网络输入光学特性组合的真实性与合理性,让逆向设计网络能够真正地实际应用,输出真实可行的光纤结构。
22、(2)与已报道的光纤逆向设计神经网络相比,本发明提出的混合密度网络的输出不是单一的确定结果,而是由多个高斯分布的加权混合所构成的概率分布,这使得该模型能够同时预测多个潜在的解,为逆向设计提供了更加丰富和合理的结构设计空间,有效地解决了逆向设计中的非唯一性问题。
23、(3)普通混合密度网络输出候选解数量往往较为有限,难以充分覆盖多解空间,为扩大解空间,本发明基于分布峰值对解簇进行扩展,在每个高斯分布输出的峰值处进行采样,通过不同峰值之间的排列组合生成更多候选结构,大幅度增加了候选解的数量,给结构设计提供了更多的可能性和多样化的结构解。
24、(4)目前已报道的逆向设计方法输出的结构解参数差异往往很小,会导致结果冗余,难以体现解的多样性,为进一步区分相似解并获得更具代表性的候选解,本发明对候选解进行了聚类处理,采用k-means聚类算法对所有候选结构解进行划分,将结构解划分为若干个互相之间区分度大的子集,从每一个子集中选取一组结构参数组合作为最终候选解,通过该方式,可减少结构高度相似的冗余解,提高最终结果的多样性与合理性。
25、应当理解, 技术实现要素: 部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征,亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
1.一种基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,包括:
2.根据权利要求1所述的基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,所述步骤1中,采用有限元仿真方法采集不同光纤的结构参数及其中不同传输模式的光学特性,组成数据集。
3.根据权利要求1所述的基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,所述步骤2中,所述预测神经网络将不同光学特性之间的复杂相互依赖关系与潜在物理约束具象化,将某个特定目标光学特性作为输入,输出对应的其他所有光学特性,获得一组符合光学规律的、物理可实现的目标光学特性组合。
4.根据权利要求1所述的基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,所述步骤5中,在所述混合密度网络的输出层,假定对于给定的一组目标光学特性组合,每个光纤结构参数服从由多个高斯分布加权组合构成的混合分布,各高斯分量的混合系数通过softmax函数进行归一化处理。
5.根据权利要求1所述的基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,所述步骤6中,采用连续分级概率评分对所述混合密度网络的预测效果进行评估,所述连续分级概率评分用于衡量预测概率分布与真实值之间的一致性。
6.根据权利要求1所述的基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,所述步骤6中,采用最大似然估计对所述混合密度网络进行训练,通过最小化负对数似然函数实现参数更新。
7.根据权利要求1所述的基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,所述步骤7中,训练完成的所述混合密度网络输出的高斯混合分布参数包括各高斯分量对应的混合系数、均值向量和标准差向量;其中,每个高斯分量的均值向量作为对应结构解簇的代表解,全部高斯分量对应的结构解簇均予以保留。
8.根据权利要求1所述的基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,所述步骤8中,对所述候选结构解进行筛选的方法包括:根据步骤7中得到的高斯混合分布参数,对所述候选结构解进行扩展,在每个高斯分布输出的峰值处进行采样,通过不同峰值之间的排列组合生成更多候选结构,然后对扩展后的候选结构进行筛选。
9.根据权利要求8所述的基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,所述步骤8中,对扩展后的候选结构进行筛选的方法包括:通过k-means聚类算法将所有候选结构解划分为若干子集,从每一个子集中选取一组结构参数组合作为最终候选结构解。
10.根据权利要求9所述的基于混合密度网络和k-means聚类算法的光纤多样化结构逆向设计方法,其特征在于,采用轮廓系数作为聚类效果的评价指标,获得随k变化的评价曲线,选择平均轮廓系数最大的k作为最优聚类数。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com