CN116009246B 一种基于深度学习的偏振光学系统自动优化设计方法 （长春理工大学）_第1页
CN116009246B 一种基于深度学习的偏振光学系统自动优化设计方法 （长春理工大学）_第2页
CN116009246B 一种基于深度学习的偏振光学系统自动优化设计方法 （长春理工大学）_第3页
CN116009246B 一种基于深度学习的偏振光学系统自动优化设计方法 （长春理工大学）_第4页
CN116009246B 一种基于深度学习的偏振光学系统自动优化设计方法 （长春理工大学）_第5页
已阅读5页，还剩12页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

WO0231570A1,2002.04.18一种基于深度学习的偏振光学系统自动优一种基于深度学习的偏振光学系统自动优度学习的光学设计中尚未考虑偏振像差影响的光线追迹计算无监督损失和标准化结果与标签22.根据权利要求1所述的基于深度学习的偏振光学系统自动优化设计方法，其特征在3.根据权利要求1所述的基于深度学习的偏振光学系统自动优化设计方法，其特征在polarizationpolarizationH,p,λ为偏振度大小；计算无监督损失的同时，标准化输出结果与标签3iout,in,k4一种基于深度学习的偏振光学系统自动优化设计方法,该方法实现了自动优化设计偏振光镜头做归一化处理，并根据参考镜头的特征生成相应的特征数据作为光学系统样本数据系统样本数据集输入到深度神经网络模型中[0009]步骤3：网络输出结果标准化，将所建立的深度神经网络输出结果进行标准化处5镜头做归一化处理，并根据参考镜头的特征生成相应的特征数据作为光学系统样本数据[0026]步骤3：网络输出结果标准化。将所建立的深度神经网络输出结果进行标准化处6polarizationpolarization络参数规定为θ,则最终损失对网络参数的求导为然后计算更新前面所建立的深度7围参数到已经训练完成的深度神经网路模型中，网络将自动输出相应的偏振光学系统参[0048]前G1～G8为监督训练数据的数据生成范围，根据范围平均生u中确定的孔径8σ为激活函数。激活函数使用的是SELU(scaledexponentiallinearunits)激活函数，使用polarizationpolarization9我们将网络参数规定为θ,则最终损失对网络参数的求导为然后计算更新前面所建围参数到已经训练完成的深度神经网路模型中，网络将自动输出相应的偏振光学系统参

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论