一种基于深度神经网络的光学结构优化设计方法与流程

1.本发明属于光学结构设计技术领域，更具体地，涉及一种基于深度神经网络的光学结构优化设计方法。


背景技术：

2.近年来通过操纵光与光学微纳结构之间的相互作用，使光学领域发生了革命性的变化，如全息技术、偏振转换和光学传感等涉及超表面的领域的器件性能都得到了提高，如何设计一个光学结构使光学属性达到最优一直备受关注。
3.在光学设计中，光学属性如反射、透射或者吸收光谱等取决于单元结构的结构参数和材料折射率，当所选的材料和光源范围确定以后，光学属性直接取决于结构参数。因此传统光学结构设计方案当中，主要通过如图1所示的数值仿真模拟和参数扫描调整结构参数来进行设计。利用数值仿真模拟对当前的结构进行仿真，从而得光吸收谱等光谱图，进而判断当前光学属性是否最佳，如果不是最佳，接着通过调节当前待优化的结构参数；如果是最佳，那么继续选择下一个结构参数进行优化调整。当所有结构参数均已被调节为最优，那么设计过程即为完成。
4.但是，传统的光学结构设计方法存在以下缺点：(1)每次针对光学结构当中的一个结构参数进行调节之后都必须新建不同的仿真模型，导致会耗费不必要的时间在理论模型的建立和结构调整上。(2)每次对光学结构参数进行调整，不仅需要重新建立仿真模型，而且需要重新耗费大量的时间进行仿真计算和模型求解来得到对应光学属性。(3)仿真结果的评估和调整都需要人工干预，并且由于光学结构参数不是单一维度，单次调整一个变量寻优后，再固定该参数调整其他参数，这使得调整得到的光学属性容易陷入局部最优，难以找到全局最优结构参数。


技术实现要素：

5.本发明通过提供一种基于深度神经网络的光学结构优化设计方法，解决现有技术中光学结构的仿真时间较长、人工调整效率较低以及难以找到全局最优结构参数的问题。
6.本发明提供一种基于深度神经网络的光学结构优化设计方法，包括：
7.将待优化的光学结构的参数作为输入，采用基于深度神经网络的光谱预测网络对光谱进行预测；
8.基于预测光谱计算得到目标函数，采用多值自适应粒子群算法对所述目标函数进行优化，自适应反向寻找优化的光学结构。
9.优选的，自适应反向寻找得到的所述优化的光学结构包括：预测最优光学结构和预测次优光学结构；
10.得到所述优化的光学结构后还包括：分别对所述预测最优光学结构和所述预测次优光学结构进行仿真校验，基于仿真结果选出最优化的光学结构。
11.优选的，对光谱进行预测的具体实现方式为：获取仿真数据集；构建基于深度神经
网络的光谱预测网络；基于所述仿真数据集对所述光谱预测网络进行训练，得到训练好的光谱预测网络；将待优化的光学结构的参数输入至训练好的光谱预测网络中，得到对应的预测光谱。
12.优选的，所述获取仿真数据集的具体实现方式为：通过时域有限差分法进行数值仿真模拟，批量仿真多组具有不同结构参数的光学结构，并得到每一组光学结构对应的光谱数据；对所述仿真数据集中的光学结构数据进行归一化处理。
13.优选的，所述光谱预测网络包括输入部分、中间残差网络部分和输出部分；所述输入部分包括多个输入单元，每个所述输入单元均包括全连接层和relu激活层；所述中间残差网络部分包括多个中间单元，每个所述中间单元均包括全连接层和relu激活层，至少一个所述中间单元还包括正则化层；所述输出部分包括一个全连接层；
14.所述中间残差网络部分采用残差结构，包括第一数据流通道路径和第二数据流通道路径；在所述第一数据流通道路径中，将所述输入部分输出的数据传输至所述中间残差网络部分的第一个中间单元中的全连接层；在所述第二数据流通道路径中，将所述输入部分输出的数据直接传输至所述中间残差网络部分的最后一个中间单元中的relu激活层。
15.优选的，所述光谱为透射光谱、反射光谱、吸收光谱、散射光谱中的一种；所述目标函数为偏振转换效率、特征光谱的半高全宽、品质因素、调制深度、灵敏度、工作波长中的一种。
16.优选的，所述采用多值自适应粒子群算法对所述目标函数进行优化包括以下子步骤：
17.步骤a、初始化最大迭代次数、粒子数目、附加条件和边界条件；
18.步骤b、设置粒子群的初始位置和初始速度；
19.步骤c、利用所述光谱预测网络计算得到光谱信息；
20.步骤d、计算各个粒子的目标函数；
21.步骤e、找到粒子群中各个粒子的当前个体最优解，找到整个粒子群的当前全局最优解和当前全局次优解；
22.步骤f、更新各个粒子的速度和位置；
23.步骤g、更新个体最优解、全局最优解和全局次优解；
24.步骤h、判断是否达到终止条件；若是，则结束优化算法的迭代寻优；若否，则自适应调节惯性因子和加速常数，返回至步骤c。
25.优选的，所述多值自适应粒子群算法中的粒子速度和粒子位置的更新公式如下：
[0026][0027][0028]
其中，m为粒子群中粒子的总数，n表示粒子群中的第n个粒子，为第i 1次迭代后第n个粒子的粒子速度，为第i次迭代后第n个粒子的粒子速度，为第i 1次迭代后第n个粒子的粒子位置，为第i次迭代后第n个粒子的粒子位置，ω为惯性因子，c1、c2均为
加速常数，r表示区间[0,1]上的随机数，为第i 1次迭代后第n个粒子的个体最优解，g_best
i 1
为第i 1次迭代后粒子群的全局最优解，sg_best
i 1
为第i 1次迭代后粒子群的全局次优解。
[0029]
优选的，所述个体最优解、所述全局最优解和所述全局次优解的更新公式如下：
[0030][0031]
f(g_best
i 1
)＜f(g_best
i
)且sg_be5t可更新
[0032]
其中，f为目标函数，表示在的所有值中去除g_best
i 1
的值。
[0033]
优选的，所述惯性因子ω表示为a的取值在[0,0.5]；两个加速常数c1、c2的值相同，均表示为
[0034]
其中，i为当前迭代的次数，e为自然底数，a为惯性因子常数。
[0035]
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0036]
在发明中，将待优化的光学结构的参数作为输入，采用基于深度神经网络的光谱预测网络对光谱进行预测；基于预测光谱计算得到目标函数，采用多值自适应粒子群算法对目标函数进行优化，自适应反向寻找优化的光学结构。本发明采用的多值自适应粒子群算法可动态调整各部分结构，输出多个优化结果，使局部最优的问题得到解决，粒子群算法结合光学属性预测神经网络，能够自适应反向寻找最优化光学结构，有效提高了优化效率。本方法可便捷高效地得到光学属性最优的光学结构。
附图说明
[0037]
图1为传统的光学结构设计的流程图；
[0038]
图2为本发明提供的一种基于深度神经网络的光学结构优化设计方法的流程图；
[0039]
图3为本发明提供的一种基于深度神经网络的光学结构优化设计方法中光谱预测神经网络的结构框架示意图；
[0040]
图4为本发明实施例1提供的一种基于深度神经网络的光学结构优化设计方法的流程图；
[0041]
图5为本发明实施例1中光谱预测神经网络的结构示意图；
[0042]
图6为本发明实施例1中多值自适应粒子群算法结合光谱预测网络对光学结构进行设计的流程图；
[0043]
图7为本发明实施例1中多值自适应粒子群算法的流程图；
[0044]
图8为本发明实施例2提供的一种基于深度神经网络的光学结构优化设计方法的流程图；
[0045]
图9为本发明实施例2中光谱预测神经网络的结构示意图；
[0046]
图10为本发明实施例2中多值自适应粒子群算法结合光谱预测网络对光学结构进行设计的流程图；
[0047]
图11为本发明实施例2中多值自适应粒子群算法的流程图。
[0048]
其中，fc
‑
全连接层，n neurals
‑
n个隐藏神经元，relu
‑
relu激活函数，l2regularization
‑
l2正则化层，in
‑
输入部分，rn
‑
中间部分，out
‑
输出部分。
具体实施方式
[0049]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0050]
本发明提供一种基于深度神经网络的光学结构优化设计方法，参见图2，包括：将待优化的光学结构的参数作为输入，采用基于深度神经网络的光谱预测网络对光谱进行预测；基于预测光谱计算得到目标函数，采用多值自适应粒子群算法对所述目标函数进行优化，自适应反向寻找优化的光学结构。
[0051]
其中，自适应反向寻找得到的所述优化的光学结构包括：预测最优光学结构和预测次优光学结构。优选的方案中，得到所述优化的光学结构后还包括：分别对所述预测最优光学结构和所述预测次优光学结构进行仿真校验，基于仿真结果选出最优化的光学结构。
[0052]
对光谱进行预测的具体实现方式为：获取仿真数据集；构建基于深度神经网络的光谱预测网络；基于所述仿真数据集对所述光谱预测网络进行训练，得到训练好的光谱预测网络；将待优化的光学结构的参数输入至训练好的光谱预测网络中，得到对应的预测光谱。
[0053]
所述获取仿真数据集的具体实现方式为：通过时域有限差分法进行数值仿真模拟，批量仿真多组具有不同结构参数的光学结构，并得到每一组光学结构对应的光谱数据；对所述仿真数据集中的光学结构数据进行归一化处理。
[0054]
参见图3，所述光谱预测网络包括输入部分、中间残差网络部分和输出部分；所述输入部分包括多个输入单元，每个所述输入单元均包括全连接层和relu激活层；所述中间残差网络部分包括多个中间单元，每个所述中间单元均包括全连接层和relu激活层，至少一个所述中间单元还包括正则化层；所述输出部分包括一个全连接层。
[0055]
所述中间残差网络部分采用残差结构，包括第一数据流通道路径和第二数据流通道路径；在所述第一数据流通道路径中，将所述输入部分输出的数据传输至所述中间残差网络部分的第一个中间单元中的全连接层；在所述第二数据流通道路径中，将所述输入部分输出的数据直接传输至所述中间残差网络部分的最后一个中间单元中的relu激活层。
[0056]
所述光谱为透射光谱、反射光谱、吸收光谱、散射光谱中的一种；所述目标函数为偏振转换效率、特征光谱的半高全宽、品质因素、调制深度、灵敏度、工作波长中的一种。
[0057]
所述采用多值自适应粒子群算法对所述目标函数进行优化包括以下子步骤：
[0058]
步骤a、初始化最大迭代次数、粒子数目、附加条件和边界条件；
[0059]
步骤b、设置粒子群的初始位置和初始速度；
[0060]
步骤c、利用所述光谱预测网络计算得到光谱信息；
[0061]
步骤d、计算各个粒子的目标函数；
[0062]
步骤e、找到粒子群中各个粒子的当前个体最优解，找到整个粒子群的当前全局最
优解和当前全局次优解；
[0063]
步骤f、更新各个粒子的速度和位置；
[0064]
步骤g、更新个体最优解、全局最优解和全局次优解；
[0065]
步骤h、判断是否达到终止条件；若是，则结束优化算法的迭代寻优；若否，则自适应调节惯性因子和加速常数，返回至步骤c。
[0066]
综上，本发明提出的一种基于深度神经网络的光学结构优化设计方法是一种将深度神经网络与多值自适应粒子群算法相结合的光学结构设计方法，利用深度神经网络可以近似拟合任意非线性函数的特点，可以通过光谱预测网络由结构数据准确的预测出光谱，从而根据预测光谱计算出光学属性，将光学属性作为目标函数，并通过多值自适应粒子群算法优化目标函数，基于优化后的目标函数得到对应的光谱和最优结构参数，实现由多值自适应粒子群算法高效省时地反向寻找最优化光学结构。
[0067]
本发明提供的设计方法主要包括：仿真数据集的获取和预处理、光谱预测网络的搭建和初始化、光谱预测网络的训练、多值自适应粒子群算法的设计和光学结构优化。进一步可主要划分为以下三个方面：
[0068]
第一方面，在数据集的获取当中，本发明通过fdtd(时域有限差分法)数值仿真模拟，批量仿真不同结构参数的光学结构，随后可以得到每一组结构对应光谱数据。进一步的，在仿真数据集预处理模块，将仿真数据集当中的结构数据进行归一化操作，方便后续对数据的特征提取与观察计算。
[0069]
第二方面，本发明提供一种基于深度神经网络的光谱预测网络，经过训练之后可以由光学结构准确地预测出对应的光谱。所述的光谱预测网络可用于近似替代专业的数值仿真工具对光学结构进行仿真。
[0070]
第三方面，本发明提供一种多值自适应粒子群算法，结合上述的光谱预测网络，能够自适应反向寻找最优化光学结构，使得光学属性达到最高。
[0071]
本发明通过有效的归一化数据并进行合理的划分，使得光谱预测网络得到有效的训练并利用多值自适应粒子群算法得到最优化光学结构。本发明提高了设计的效率，使得最终得到的光学属性优于传统设计方法的所得。
[0072]
本发明优化方案的整体思路为：将待优化光学结构信息作为多值自适应粒子群算法的粒子群信息、光学属性指标作为多值粒子群算法的优化目标，并将结构信息初始化；控制多值自适应粒子群算法通过自适应调整每次迭代所需的惯性因子和加速常数对初始结构信息进行多次迭代，每次迭代均是对各光学结构参数进行动态调整得到新粒子群；采用预构建的光谱预测神经网络根据所述新粒子群预测光谱，计算光学属性，并得到最优与次优结构信息，最后通过仿真模拟进行检验得到最优结构信息。
[0073]
下面结合两个具体的实施例对本发明做进一步的说明。
[0074]
实施例1：
[0075]
实施例1提供一种偏振转换的光学结构设计方法，参见图4，主要包括：仿真数据集的获取和预处理、偏振转换效率对应的光谱预测网络的搭建和初始化、光谱预测网络的训练、多值自适应粒子群算法优化光学结构、仿真校验。
[0076]
对于数据集预处理部分，将获得的结构数据进行均值归一化，使结构参数数据大小在(
‑
1,1)。
[0077]
实施例1对应的光谱预测网络如图5所示，基于深度神经网络的光谱预测网络可以接受光学结构的每一个结构参数作为输入数据在极短的时间内预测出相应的透射谱。在光谱预测网络的所有模块当中，我们采用的基本单元为：全连接层、relu激活层、正则化层。同时光谱预测网络的基本结构如可划分为三个部分：输入in、中间残差网络rn、输出out。图5所示的输入为光学结构的结构参数，输出为光学结构对应的透射谱。具体的，在输出层in当中，采用四个全连接层fc，并对所有的全连接层使用relu函数(f(x)＝max(0，x))进行激活。在中间残差网络rn当中同样由全连接层fc与激活函数relu构成，同时在rn的中间层使用l2正则化约束层，规范化系数设置为0.011和0.012。在输出层out当中，由一个全连接层fc承担并不使用激活函数。在中间残差网络rn当中使用残差结构，可以使得网络可以拓展成更深的模型，且对于相同数量的层又减少了参数量，以此减少网络需要训练的参数。
[0078]
输入部分in在接受偏振转换的光学结构参数作为输入数据之后，连接隐藏神经元数为500的全连接层fc，而后经过relu激活函数输出。之后再次通过三个隐藏神经元数为500的全连接层fc以及relu激活层。
[0079]
中间残差网络rn由两个不同的数据流通路径构成，一个数据流通道路径是根据数据集的不同，分别是一个包含五个全连接层fc和一个包含六个全连接层fc构成(图5仅画出包含五个全连接层fc的部分作为示意)。每个基本单元包括全连接层fc和relu激活层，这些基本单元当中包含的隐藏层神经元个数为500，激活层函数统一使用relu函数；另一个数据流通道路径是数据的直接传输，与经过五个全连接层fc之后的数据相加。
[0080]
输出部分out为一个单独的全连接层结构，它的隐藏神经元个数与需要输出的光谱图点数相同，具体为25，不含激活层。
[0081]
训练参数的初始化在本发明当中采用随机化初始。对于网络的训练，我们将已经获得的仿真数据集的90％作为训练集，剩余10％作为测试集，并且采用断点续训的方式合理添加正则项后再对网络训练。
[0082]
实施例1中采用多值自适应粒子群算法对偏振转换的光学结构进行设计的流程如图6所示，多值自适应粒子群算法将光谱预测网络作为代理函数，将光学结构的结构参数作为自变量，同时依据透射谱与偏振转换效率的关系，将预测的得到透射谱进行取最值作为待优化的目标值，不断地通过优化目标值来动态调整光学结构的结构，并在迭代过程中不断地自适应调节惯性因子和加速常数，直到多值自适应粒子群算法收敛，得到多个优化值后，再通过fdtd仿真验证得到光学结构的最优值。
[0083]
实施例1对应的多值自适应粒子群算法详细流程图如图7所示，初始化最大迭代次数、粒子数目、附加约束条件、边界条件之后，对粒子群进行附加惯性、附加速度操作，并在之后依据目标函数计算目标值时将约束条件和目标函数相结合，目标函数f(即偏振转换效率)的具体表达式为：其中，n为光谱预测网络输出的透射谱点数，t为光学结构参数，分别为在tyx和tyy两个方向上的光谱预测网络，l
i
为透射谱第i个点的值的约束条件，分别为在tyx和tyy两个方向上由光谱预测网络预测出的透射谱的第i个点的值，约束条件i＝1...n，
若第i个点的值不符合约束条件，则直接将对应的l
i
设置为0。
[0084]
实施例1在如图7所示的多值自适应粒子群算法的更新操作当中加入了多值提取操作，由于神经网络的输出存在一定误差，多值操作可以有效减轻误差对最优结果的影响。例如：g
i
(t)(包括)的绝对误差为0.02，神经网络预测输出的一个预测值为0.60，则实际结果为0.60
±
0.02，神经网络预测输出的另一个预测值为0.59，则实际结果为0.59
±
0.02，此时传统粒子群算法会以第一个网络预测输出作为最优结果输出，但实际上可能会发生第一个结构的实际结果为0.60
‑
0.02＝0.58，而第二个结构的实际结果为0.59 0.02＝0.61的情况，本发明采用的多值粒子群算法可以有效解决这个问题，得到实际最优的光学结构。
[0085]
在如图7所示的多值粒子群算法中的粒子速度v和粒子位置x更新操作的公式为：
[0086][0087][0088]
其中，m为粒子群中粒子的总数，n表示粒子群中的第n个粒子，为第i 1次迭代后第n个粒子的粒子速度，为第i次迭代后第n个粒子的粒子速度，为第i 1次迭代后第n个粒子的粒子位置，为第i次迭代后第n个粒子的粒子位置，ω为惯性因子，c1、c2均为加速常数，r表示区间[0,1]上的随机数，为第i 1次迭代后第n个粒子的个体最优解，g_best
i 1
为第i 1次迭代后粒子群的全局最优解，sg_best
i 1
为第i 1次迭代后粒子群的全局次优解。
[0089]
个体最优解、全局最优解和全局次优解的具体更新公式为：
[0090][0091]
f(g_best
i 1
)＜f(g_best
i
)且sg_best可更新
[0092]
其中，f为目标函数，表示在的所有值中去除g_best
i 1
的值。
[0093]
由公式可以看出，全局最优解和全局次优解的结构参数之间的欧式距离在1以上，表明算法最终会找到两个自变量欧式距离在1以上的全局解。为了防止全局次优解sg_best不存在的问题，当全局次优解的参数无法更新时，也会停止全局最优解g_best的更新。
[0094]
在如图7所示的多值自适应粒子群算法的更新操作当中加入自适应惯性因子ω，且表示为这可以加快算法的收敛速度，同时防止算法跳离最优结果。加入自适应加速常数为c1、c2，且c1、c2的值相同，均表示为其中，i为当前迭代的次数，e
为自然底数，a为惯性因子常数，a的取值在[0,0.5]，表示的向下取整。同时为了多值自适应粒子群算法在迭代后期依然具有一定的速度，本发明对惯性因子ω最小限制为a，同时对加速常数c1、c2采用自适应调节，c1、c2的大小被限制在1至e 1之间，这主要是为了使得多值自适应粒子群算法在搜索前期具有更广泛的搜索范围，在后期具有更强的细化搜索能力。
[0095]
在如图7的整个多值自适应粒子群算法中，以第0次迭代为例，ω＝0.8，c1、c2均取值为e 1，r取值为1，假设x1为粒子群中的一个个体粒子，x2、x3为由粒子群计算得到的全局最优解、全局次优解，此时个体粒子的速度值为v＝0.8v (e 1)(2x1‑
x2‑
x3)。显然，当x1越远离最优，速度越快，使得函数更容易跳出局部最优值。当迭代到第300代时，ω≈0.3，c1，c2≈1，此时粒子群获得的速度更小，位置信息更新的幅度变小，使得算法的局部搜索能力变强。同时，本发明设计的多值自适应粒子群算法的自适应终止条件设计为：判断所述粒子群算法的相邻两代之间的目标函数的值的偏差是否在一个指定的范围内，若是，则基于当前迭代次数选择迭代的继续或终止；否则，继续迭代，直到迭代次数达到300次，然后直接输出算法所都得到优化结果。
[0096]
实施例2：
[0097]
实施例2提供一种光学传感的光学结构设计方法的主要流程参见图8，与实施例1类似。实施例2与实施例1的主要区别在于光谱预测网络的具体层数和参数设置，目标函数的具体设置。
[0098]
输入层in的主要作用是特征提取，类似于仿真软件的建模的过程，输入层in的层数和各层单元数主要是根据光学结构的复杂度变化而变化，中间残差网络rn的主要作用是非线性拟合，类似于仿真软件的求解麦克斯韦方程的过程，中间残差网络rn的层数和各层单元数主要是根据需要拟合的光谱的复杂度变化而变化。输出层out的主要作用是计算的到光谱，类似于仿真软件的输出光谱的过程，输出层的层数不变，单元数会随着需要输出的光谱点数的变化而变化。因为神经网络的层数和单元数是变化的，神经网络的拟合能力是在变化的，对不同的光学问题都解决的能力，从而使神经网络适应性更好。
[0099]
实施例2的输出层in采用三个全连接层fc，并对所有的全连接层使用relu函数(f(x)＝max(0，x))进行激活。由于实施例2中用于光学传感的结构相较于实施例1用于偏振转换的结构较为简单，因此输入层层数减少。
[0100]
实施例2的中间残差网络rn同样由全连接层fc与激活函数relu构成，同时在rn的中间层使用l2正则化约束层，规范化系数设置为0.01。在输出层out当中，由一个全连接层fc承担并不使用激活函数。
[0101]
参见图9，实施例2的输入部分in在接受光学传感的光学结构参数作为输入数据之后，连接隐藏神经元数为400的全连接层fc，而后经过relu激活函数输出。之后再次通过两个个隐藏神经元数为400的全连接层fc以及relu激活层。
[0102]
实施例2的中间残差网络rn由两个不同的数据流通路径构成，一个是包含四个全连接层fc构成。每个基本单元包括全连接层fc和relu激活层，这些基本单元当中包含的隐藏层神经元个数为400，激活层函数统一使用relu函数；另一个是数据的直接传输，与经过四个全连接层fc之后的数据相加。由于实施例2的光谱图相较于实施例1的偏振转换的光谱
图较为简单，大部分光谱数据只有一个或两个波谷，中间层层数减少。
[0103]
实施例2的输出部分out为一个单独的全连接层结构，它的隐藏神经元个数与需要输出的光谱图点数相同，具体为250，不含激活层。
[0104]
训练参数的初始化在本发明当中采用随机化初始。对于网络的训练，我们将已经获得的仿真数据集的80％作为训练集，剩余20％作为测试集，并且采用断点续训的方式合理添加正则项后再对网络训练。
[0105]
本发明实例采用多值自适应粒子群算法对光学传感的光学结构进行自适应优化设计。多值自适应粒子群算法对光学传感的光学结构进行设计的流程如图10所示，多值自适应粒子群算法将光谱预测网络作为代理函数，将光学结构的结构参数作为自变量，同时依据透射谱和透射谷的半高全宽的关系将预测的得到半高全宽作为待优化的目标值，不断地通过优化目标值来动态调整光学结构的结构，并在迭代过程中不断地自适应惯性因子和加速常数。直到最后多值自适应粒子群算法收敛，得到多个优化值后，再通过fdtd仿真验证得到光学结构的最优值。
[0106]
本发明实例当中提出的多值自适应粒子群算法详细流程图如图11所示，初始化最大迭代次数、粒子数目、附加约束条件、边界条件之后，对粒子群进行附加惯性、附加速度操作，并在之后依据目标函数计算目标值时将约束条件和目标函数相结合，目标函数f(即特征光谱的半高全宽)的具体表达式为f＝l
·
[w(s1)
‑
w(s2)]，其中，w为透射谱的透射系数值和波长的对应关系，s1，s2为半高全宽在透射谷左右两边对应的透射系数，l为约束条件，min
1≤i≤n
g
i
(t)为预测透射谱n个点中的最小值，对于不符合约束条件的，则直接将l置为0。
[0107]
结合具体的参数进行补充说明，实施例2中基于预测光谱得到目标函数的过程主要包括：首先由g(t)得到光谱，g()是由光谱预测网络得到得代理函数(同实施例1)，之后找到光谱透射系数最小值s
min
，和最小值前面50个点中透射系数大于0.9的点的透射系数相加求平均值s
avg
，然后由(s
min
s
avg
)/2得到线宽位置，然后再由光谱最小值(也就是波谷)两边找到线宽位置点对应的波长(也就是上述目标函数f公式里的w(s1)和w(s2))，最后相减得出结果。本发明实施例提供的一种基于深度神经网络的光学结构优化设计方法至少包括如下技术效果：
[0108]
(1)通过光谱预测网络替代传统的数值仿真工具来对光谱图作出预测，进而可以节省大量的仿真时间与计算资源。以仿真20000组偏振转换光学结构数据为例，得到一组数据的光谱信息，偏振光谱预测网络仅需要0.26秒，采用传统的fdtd仿真需要120秒左右，仿真软件消耗时间是预测网络的约500倍。以仿真4000组光学传感的光学结构数据为例，得到一组数据的光谱信息，光学传感光谱预测网络仅需要0.25秒，采用传统的fdtd仿真需要600秒左右，仿真软件消耗时间是预测网络的约2400倍。并且传统的fdtd仿真为了得到最优结果，只能靠人工直觉引导，往往耗时耗力只能获得次优结果，而本发明的设计方案在普通笔记本电脑上即可完成设计过程，且寻找最优值的过程由智能算法代替。
[0109]
(2)利用多值自适应粒子群算法来代替人工调整可以节省调整时间，同时可以进行动态调整找到最优结构，解决传统设计出的结构使得光学属性容易陷入局部最优的缺点，使得光学属性达到全局最优。以设计偏振转换的光学结构为例，采用基于深度神经网络
结合多值自适应粒子群算法设计得到的最优光学属性比传统的手动调整结合fdtd仿真设计得到的最优转换效率要高12.37％。以设计光学传感的光学结构为例，采用基于深度神经网络结合多值自适应粒子群算法设计得到的最优光学属性比传统的手动调整结合fdtd仿真设计得到的最优半高全宽要小0.05。
[0110]
(3)多值自适应粒子群算法寻优也解决的深度学习预测的误差带来的影响，采用预测与实际值相结合的办法，准确得找到最优值。以设计偏振转换的光学结构为例，在某一次优化过程中，多值自适应粒子群算法输出为第一最优值62.638％和第二最优值62.629％，将对应结构参数输入仿真软件，而实际通过仿真得到得结果对应:62.359％和62.378％，可以看到实际上第二最优值才是我们期望的最优结果。以设计光学传感的光学结构为例，在某一次优化过程中，多值自适应粒子群算法输出为第一最优值0.15和第二最优值0.17，将对应结构参数输入仿真软件，而实际通过仿真得到得结果对应:0.18和0.155，可以看到实际上第二最优值才是我们期望的最优结果。
[0111]
(4)光谱预测网络的特殊结构给本设计方法提供了更多可能，特别是中间残差网络部分rn，可以通过调整中间基本单元的个数，对网络进行微调，因为引入了残差网络结构，调整层数不会严重降低网络性能。以两个实施例为例，采用不同的输入层和中间层的层数和单元数，两种网络的均方误差均表现优秀，偏振转换实施例中为1.4
×
10
‑4，光学传感实施例中为5.1
×
10
‑5。
[0112]
(5)本发明提出的光学结构设计方法具有极强的普适性，针对结构的材料选择，不同的折射率条件，且设计过程无需专业人士的介入，即可快速找到最优结构。
[0113]
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。