CN117148568A - 一种基于深度学习的平面超振荡透镜优化设计方法 - Google Patents

一种基于深度学习的平面超振荡透镜优化设计方法 Download PDF

Info

Publication number
CN117148568A
CN117148568A CN202310890587.7A CN202310890587A CN117148568A CN 117148568 A CN117148568 A CN 117148568A CN 202310890587 A CN202310890587 A CN 202310890587A CN 117148568 A CN117148568 A CN 117148568A
Authority
CN
China
Prior art keywords
super
oscillation
characteristic value
lens
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310890587.7A
Other languages
English (en)
Inventor
虞益挺
安铖旭
赫培
李文丽
纪海玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Ningbo Research Institute of Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Ningbo Research Institute of Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University, Ningbo Research Institute of Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202310890587.7A priority Critical patent/CN117148568A/zh
Publication of CN117148568A publication Critical patent/CN117148568A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
    • G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Optics & Photonics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于深度学习的平面超振荡透镜优化设计方法，涉及超振荡透镜技术领域，本方法包括步骤S1：初始特征值定义在平面超振荡透镜的聚焦平面上，在聚焦平面上聚焦光斑的半高宽的值大于衍射极限时，初始定义特征值为0；在聚焦平面上聚焦光斑的半高宽小于衍射极限时，初始定义特征值为旁瓣与主瓣的比值；S2：获取超振荡透相应的特征值，构建深度学习建模的训练集和测试集，并将数据集划分为小批量；S3：构建基于卷积神经网络的超振荡特征值预测模型。本方法能够降低平面超振荡透镜设计所需算力成本，缩短优化周期，从而实现平面超振荡透镜的快速设计。

Description

一种基于深度学习的平面超振荡透镜优化设计方法
技术领域
本发明涉及超振荡透镜技术领域，具体而言，涉及一种基于深度学习的平面超振荡透镜优化设计方法。
背景技术
光学超振荡现象是指光场的带限函数在局部的振荡频率比其最快傅里叶分量还要快的现象(Nano Lett.,2009,9(3):1249)。平面超振荡透镜是一种利用微纳结构对透镜后光场进行精细调控，在特定位置实现特定干涉进而产生超振荡现象的透镜(Sci.Appl.,2019,8:56)。因此，平面超振荡透镜可在远场、超远场实现突破衍射极限的聚焦，并且不依赖于亚波长单元结构，在批量化制备、低成本推广等方面具有明显优势，是目前实现突破衍射极限聚焦的主要手段，已经在消色差、多焦点、光针和光片光场定制等方面表现出了优越的性能。
平面超振荡透镜的优化设计主要是依靠基于遗传算法的超振荡透镜优化设计方法，分为遗传算法优化和超振荡光场的数值模拟。超振荡光场的数值模拟是基于传统衍射理论对平面超振荡透镜光场光强分布进行计算预测，预测的结果经过适应度函数的处理，转化为适应度值用于遗传算法的优化。超振荡光场的数值模拟一方面需要繁琐的积分迭代和反复的循环运算，另一方面需要采用高的采样频率来保证预测的精度，所以导致平面超振荡透镜的设计周期很长，并且在整个优化周期中需要耗费大量的计算资源，阻碍了平面超振荡透镜的应用和推广。
发明内容
本发明解决的问题是如何降低平面超振荡透镜设计所需算力成本，缩短优化周期，从而实现平面超振荡透镜的快速设计。
为解决上述问题，本发明提供一种基于深度学习的平面超振荡透镜优化设计方法，包括步骤：
S1：初始特征值定义在平面超振荡透镜的聚焦平面上，在聚焦平面上聚焦光斑的半高宽的值大于衍射极限时，初始定义特征值为0；在聚焦平面上聚焦光斑的半高宽小于衍射极限时，初始定义特征值为旁瓣与主瓣的比值；
S2：获取超振荡透镜相应的特征值，构建深度学习建模的训练集和测试集，并将数据集划分为小批量；
S3：构建基于卷积神经网络的超振荡特征值预测模型，对于二元型平面超振荡透镜，通过二进制向量表示平面超振荡透镜的结构，作为基于卷积神经网络的超振荡特征值预测模型的输入；
S4：将基于卷积神经网络的超振荡特征值预测模型的输入按照行排列为给定行数和列数的二维矩阵，得到平面超振荡透镜矩阵特征图；
S5：将平面超振荡透镜矩阵特征图输入到卷积块中，其中每个卷积块均包含二维卷积层、激活函数层和最大池化下采样层；将卷积块的输出再输入至线性块中，每个线性块都包含全连接层和激活函数层，线性块的输出为超振荡特征值；
S6：将损失函数定义为预测值与真实值之差的平方和的平均值；
S7：通过优化算法和学习率调整算法，将基于卷积神经网络的超振荡特征值预测模型输出的预测特征值和目标特征值输入到损失函数中计算误差，并根据误差进行反向传播更新卷积神经网络的参数；
S8：将神经网络结合至遗传算法，输出最优解。
在上述方法中，给定一个平面超振荡透镜结构，输入到基于卷积神经网络的超振荡特征值预测模型中可以在极短的时间内得到特征值，从而替代了角谱衍射理论对光场的数值模拟过程，节省了大量的时间和计算资源。将基于卷积神经网络的超振荡特征值预测模型结合遗传优化算法，由于省去了衍射理论对平面超振荡透镜光场的数值模拟过程，可以大大提高优化效率，缩短设计周期。
进一步地，所述步骤S8包括：
S81：基于卷积神经网络的超振荡特征值预测模型构建基于深度学习的平面超振荡透镜优化设计方法，通过初始种群生成器，以随机的方式构建初始种群，初始种群中每个个体由若干个二进制位组成，表示一个超振荡透镜的结构。
S82：将初始种群中表示个体的二进制向量输入到基于卷积神经网络的超振荡特征值预测模型中，输出值为超振荡特征值；
S83：将超振荡特征值输入到适应度计算器中，获得种群中个体的适应度值，并输入到终止条件判断器中判断是否满足优化条件，若满足，则输出最优个体并结束，否则执行下一步骤；
S84：对种群进行优胜劣汰操作，根据适应度值进行排序，选中适应度值高的个体，根据排序结果按照给定比例淘汰适应度值低的个体；
S85：在步骤S83完成后，对种群中个体按照概率进行遗传操作；之后给定一个小的概率对二进制种群染色体进行变异操作；
S86：经过优胜劣汰操作和变异操作获得子代种群，对子代种群中个体重新计算适应度值，并输入到终止条件判断器判断是否满足结束条件，若满足，输出最优个体并结束，否则执行步骤S83。
进一步地，所述步骤S6中的损失函数表示为：
其中，yi表示预测值，y’i表示真实值。
进一步地，所述步骤S7中的优化算法采用Adam，学习率调整算法采用自适应调整学习率；
Adam优化算法通过迭代更新之前每次计算梯度的一阶矩和二阶矩，并计算滑动平均值，用于更新当前参数信息；
自适应调整学习率通过给定指标不变时学习率进行自适应缩放。
进一步地，所述步骤S7中的卷积神经网络的超振荡特征值预测模型在不收敛的情况下，则调整卷积核大小、卷积块个数、线性层节点数和线性块个数的超参数，直至卷积神经网络的超振荡特征值预测模型收敛。
本发明采用上述技术方案包括以下有益效果：
本发明通过定义特征值实现超振荡光场聚焦平面聚焦行为的量化，构建基于卷积神经网络的超振荡特征值预测模型来实现从超振荡透镜结构到其特征值的快速响应，基于卷积神经网络的超振荡特征值预测模型的快速响应能力避免繁琐、耗时的基于衍射理论的超振荡光场数值模拟过程，实现基于深度学习的平面超振荡透镜优化设计方法。
附图说明
图1为本发明实施例提供的基于深度学习的平面超振荡透镜优化设计方法流程图一；
图2为本发明实施例提供的基于深度学习的平面超振荡透镜优化设计方法流程图二；
图3为本发明实施例提供的基于深度学习的平面超振荡透镜优化设计方法流程图三；
图4为本发明实施例提供的基于深度学习的平面超振荡透镜优化设计方法中计算特征值的示意图；
图5为本发明实施例提供的基于深度学习的平面超振荡透镜优化设计方法中构建基于卷积神经网络的超振荡特征值预测模型示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例
本实施例提供了一种基于深度学习的平面超振荡透镜优化设计方法，如图1所示，本方法包括步骤：
S1：初始特征值定义在平面超振荡透镜的聚焦平面上，在聚焦平面上聚焦光斑的半高宽的值大于衍射极限时，初始定义特征值为0；在聚焦平面上聚焦光斑的半高宽小于衍射极限时，初始定义特征值为旁瓣与主瓣的比值；
S2：获取超振荡透镜相应的特征值，构建深度学习建模的训练集和测试集，并将数据集划分为小批量；
S3：构建基于卷积神经网络的超振荡特征值预测模型，对于二元型平面超振荡透镜，通过二进制向量表示平面超振荡透镜的结构，作为基于卷积神经网络的超振荡特征值预测模型的输入；
S4：将基于卷积神经网络的超振荡特征值预测模型的输入按照行排列为给定行数和列数的二维矩阵，得到平面超振荡透镜矩阵特征图；
S5：将平面超振荡透镜矩阵特征图输入到卷积块中，其中每个卷积块均包含二维卷积层、激活函数层和最大池化下采样层；将卷积块的输出再输入至线性块中，每个线性块都包含全连接层和激活函数层，线性块的输出为超振荡特征值；
S6：将损失函数定义为预测值与真实值之差的平方和的平均值；
S7：通过优化算法和学习率调整算法，将基于卷积神经网络的超振荡特征值预测模型输出的预测特征值和目标特征值输入到损失函数中计算误差，并根据误差进行反向传播更新卷积神经网络的参数；
S8：将神经网络结合至遗传算法，输出最优解。
具体的，如图3和图4所示，包括初始种群生成器1、基于卷积神经网络的超振荡特征值预测模型2、适应度计算器3、终止条件判断器4、优胜劣汰操作5和遗传和变异操作6。通过定义特征值实现超振荡光场焦平面聚焦行为的量化，然后构建基于卷积神经网络的超振荡特征值预测模型2实现从超振荡透镜结构到其特征值的快速响应。最后借助基于卷积神经网络的超振荡特征值预测模型2的快速响应能力避免繁琐、耗时的基于衍射理论的超振荡光场数值模拟过程，最终实现基于深度学习的平面超振荡透镜优化设计方法。该方法的具体步骤如下：
步骤S1：计算特征值。特征值定义为在平面超振荡透镜7的聚焦平面8上，如果该聚焦平面8上聚焦光斑的大小即半高宽9(full width at half maximum,FWHM)的值大于衍射极限，特征值赋值为0；如果该聚焦平面8上聚焦光斑的半高宽9小于衍射极限，特征值定义为旁瓣10(side lobe)与主瓣11(main lobe)的比值。
步骤S2：收集超振荡透镜结构及其相应的特征值，构建用于深度学习建模的训练集和测试集，训练集大小为80000，测试集大小为20000。并将数据集按批量划分，每个小批量大小为64。
步骤S3：构建基于卷积神经网络的超振荡特征值预测模型2。参阅图5，对于二元型平面超振荡透镜，利用二进制向量表示平面超振荡透镜结构，二进制向量长度为200，作为基于卷积神经网络的超振荡特征值预测模型2的输入12。
步骤S4：将基于卷积神经网络的超振荡特征值预测模型2的输入12按行排列为50行4列的二维矩阵，得到平面超振荡透镜矩阵特征图13。
步骤S5：将平面超振荡透镜矩阵特征图13输入到卷积块14中，其中每个卷积块都包含二维卷积层、激活函数层和最大池化下采样层。卷积块14共三块，其中卷积核的高宽均为2，卷积层输出通道数分别为4、8、12。池化层采用最大池化下采样方式，池化核高宽均为2。卷积块14的输出再输入到线性块15中，每个线性块都包含全连接层和激活函数层。线性块15共七块，线性层的节点数分别为512、1024、128、32、8、2、1。所有激活函数均为ReLU。线性块15的输出即为超振荡特征值16。
步骤S6：定义损失函数,损失函数定义为MSE(mean squared error),即预测值与真实值之差的平方和的平均值，具体公式如下：
步骤S7：选择优化算法和学习率调整算法。使用Adam优化算法和自适应调整学习率。Adam(adaptive moment estimation)算法是一种基于动量思想的随机梯度下降优化方法，通过迭代更新之前每次计算梯度的一阶矩和二阶矩，并计算滑动平均值，用来更新当前的参数。自适应调整学习率方式为当给定指标不变化时学习率缩放至原来的10％。
将基于卷积神经网络的超振荡特征值预测模型2输出的预测特征值和目标特征值输入到损失函数中计算误差；根据误差进行反向传播更新卷积神经网络的参数。如果不收敛，可以调整卷积核大小、卷积块个数、线性层节点数和线性块个数等超参数，直至损失函数收敛。
参阅图2和图3所示，步骤S81：基于卷积神经网络的超振荡特征值预测模型2构建基于深度学习的平面超振荡透镜优化设计方法。首先通过初始种群生成器1，以随机的方式构建初始种群，初始种群包含30000个个体。每个个体由200个二进制位组成，代表一个超振荡透镜的结构。
其中，步骤S82：将种群中表示个体的二进制向量输入到基于卷积神经网络的超振荡特征值预测模型2中，输出值即为超振荡特征值16。
其中，步骤S83：将超振荡特征值16输入到适应度计算器3中，获得种群中个体的适应度值。并输入到终止条件判断器4中判断是否满足优化条件，若满足，输出最优个体并结束，否则执行步骤12。
其中，步骤S84：对种群进行优胜劣汰操作5。使具有较大适应度值的个体有更大的概率被选中，根据排序结果淘汰20％较差的个体。
其中，步骤S85：在优胜劣汰操作5完成后，对种群中个体按照70％概率进行遗传操作6。之后按照1％的概率对二进制种群染色体进行变异操作6。
其中，步骤S86：完成上述操作后获得子代种群，对子代种群中个体重新计算适应度值，并输入到终止条件判断器4判断是否满足结束条件，若满足，输出最优个体并结束，否则执行步骤S83。
通过上述方法，不断进行遗传操作，直到满足优化条件时，优化过程结束，并输出最优解。
给定一个平面超振荡透镜结构，输入到基于卷积神经网络的超振荡特征值预测模型中可以在极短的时间内得到特征值，从而替代了角谱衍射理论对光场的数值模拟过程，节省了大量的时间和计算资源。将基于卷积神经网络的超振荡特征值预测模型结合遗传优化算法，由于省去了衍射理论对平面超振荡透镜光场的数值模拟过程，可以大大提高优化效率，缩短设计周期。
本方法通过定义特征值实现超振荡光场聚焦平面聚焦行为的量化，构建基于卷积神经网络的超振荡特征值预测模型来实现从超振荡透镜结构到其特征值的快速响应，基于卷积神经网络的超振荡特征值预测模型的快速响应能力避免繁琐、耗时的基于衍射理论的超振荡光场数值模拟过程。
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员，在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (5)

1.一种基于深度学习的平面超振荡透镜优化设计方法，其特征在于，包括步骤：
S1：初始特征值定义在平面超振荡透镜的聚焦平面上，在聚焦平面上聚焦光斑的半高宽的值大于衍射极限时，初始定义特征值为0；在聚焦平面上聚焦光斑的半高宽小于衍射极限时，初始定义特征值为旁瓣与主瓣的比值；
S2：获取超振荡透镜相应的特征值，构建深度学习建模的训练集和测试集，并将数据集划分为小批量；
S3：构建基于卷积神经网络的超振荡特征值预测模型，对于二元型平面超振荡透镜，通过二进制向量表示平面超振荡透镜的结构，作为基于卷积神经网络的超振荡特征值预测模型的输入；
S4：将基于卷积神经网络的超振荡特征值预测模型的输入按照行排列为给定行数和列数的二维矩阵，得到平面超振荡透镜矩阵特征图；
S5：将平面超振荡透镜矩阵特征图输入到卷积块中，其中每个卷积块均包含二维卷积层、激活函数层和最大池化下采样层；将卷积块的输出再输入至线性块中，每个线性块都包含全连接层和激活函数层，线性块的输出为超振荡特征值；
S6：将损失函数定义为预测值与真实值之差的平方和的平均值；
S7：通过优化算法和学习率调整算法，将基于卷积神经网络的超振荡特征值预测模型输出的预测特征值和目标特征值输入到损失函数中计算误差，并根据误差进行反向传播更新卷积神经网络的参数；
S8：将神经网络结合至遗传算法，输出最优解。
2.根据权利要求1所述的基于深度学习的平面超振荡透镜优化设计方法，其特征在于，所述步骤S8包括：
S81：基于卷积神经网络的超振荡特征值预测模型构建基于深度学习的平面超振荡透镜优化设计方法，通过初始种群生成器，以随机的方式构建初始种群，初始种群中每个个体由若干个二进制位组成，表示一个超振荡透镜的结构；
S82：将初始种群中表示个体的二进制向量输入到基于卷积神经网络的超振荡特征值预测模型中，输出值为超振荡特征值；
S83：将超振荡特征值输入到适应度计算器中，获得种群中个体的适应度值，并输入到终止条件判断器中判断是否满足优化条件，若满足，则输出最优个体并结束，否则执行下一步骤；
S84：对种群进行优胜劣汰操作，根据适应度值进行排序，选中适应度值高的个体，根据排序结果按照给定比例淘汰适应度值低的个体；
S85：在步骤S83完成后，对种群中个体按照概率进行遗传操作；之后给定一个小的概率对二进制种群染色体进行变异操作；
S86：经过优胜劣汰操作和变异操作获得子代种群，对子代种群中个体重新计算适应度值，并输入到终止条件判断器判断是否满足结束条件，若满足，输出最优个体并结束，否则执行步骤S83。
3.根据权利要求1所述的基于深度学习的平面超振荡透镜优化设计方法，其特征在于，所述步骤S6中的损失函数表示为：
其中，yi表示预测值，y’i表示真实值。
4.根据权利要求1所述的基于深度学习的平面超振荡透镜优化设计方法，其特征在于，所述步骤S7中的优化算法采用Adam，学习率调整算法采用自适应调整学习率；
Adam优化算法通过迭代更新之前每次计算梯度的一阶矩和二阶矩，并计算滑动平均值，用于更新当前参数信息；
自适应调整学习率通过给定指标不变时学习率进行自适应缩放。
5.根据权利要求4所述的基于深度学习的平面超振荡透镜优化设计方法，其特征在于，所述步骤S7中的卷积神经网络的超振荡特征值预测模型在不收敛的情况下，则调整卷积核大小、卷积块个数、线性层节点数和线性块个数的超参数，直至卷积神经网络的超振荡特征值预测模型收敛。
CN202310890587.7A 2023-07-20 2023-07-20 一种基于深度学习的平面超振荡透镜优化设计方法 Pending CN117148568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310890587.7A CN117148568A (zh) 2023-07-20 2023-07-20 一种基于深度学习的平面超振荡透镜优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310890587.7A CN117148568A (zh) 2023-07-20 2023-07-20 一种基于深度学习的平面超振荡透镜优化设计方法

Publications (1)

Publication Number Publication Date
CN117148568A true CN117148568A (zh) 2023-12-01

Family

ID=88883188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310890587.7A Pending CN117148568A (zh) 2023-07-20 2023-07-20 一种基于深度学习的平面超振荡透镜优化设计方法

Country Status (1)

Country Link
CN (1) CN117148568A (zh)

Similar Documents

Publication Publication Date Title
CN111861013B (zh) 一种电力负荷预测方法及装置
CN109086531B (zh) 基于神经网络的天线设计方法
CN111898730A (zh) 一种利用图卷积神经网络结构加速的结构优化设计方法
CN111696345A (zh) 一种基于网络社区检测和gcn的耦合大规模数据流宽度学习快速预测智能算法
CN105117461B (zh) 一种基于改进的遗传算法的查询优化方法
CN112069610B (zh) 一种透明复杂多腔塑件的注塑工艺参数优化方法
CN113591299B (zh) 判定不同类型微通道散热器综合性能优劣的方法和系统
CN112287990A (zh) 一种基于在线学习的边云协同支持向量机的模型优化方法
CN111898316A (zh) 一种超表面结构设计模型的构建方法及其应用
CN110222816B (zh) 深度学习模型的建立方法、图像处理方法及装置
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
CN115906303A (zh) 一种基于机器学习的平面微波滤波器设计方法及装置
CN115345297A (zh) 一种基于生成对抗网络的台区样本生成方法及系统
CN115481727A (zh) 一种基于进化计算的意图识别神经网络生成与优化方法
CN117148568A (zh) 一种基于深度学习的平面超振荡透镜优化设计方法
CN111930484A (zh) 一种电网信息通信服务器线程池性能优化方法与系统
CN115292390B (zh) 负荷信息生成方法、装置、电子设备和计算机可读介质
CN111985153B (zh) 基于神经网络和遗传算法的硅基光子器件仿真方法和系统
CN116702598A (zh) 建设成效预测模型的训练方法、装置、设备及存储介质
CN114818128B (zh) 船体局部曲面优化神经网络建模方法及优化方法
CN116054144A (zh) 分布式光伏接入的配电网重构方法、系统及存储介质
CN114449536B (zh) 一种基于深度强化学习的5g超密集网络多用户接入选择方法
CN116894504A (zh) 一种风电集群功率超短期预测模型建立方法
CN113610665B (zh) 一种基于多延迟输出回声状态网的风力发电功率预测方法
CN115600492A (zh) 一种激光切割工艺设计方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination