申请/专利权人：南京工程学院

申请日：2020-06-04

公开（公告）日：2024-03-05

公开（公告）号：CN111639465B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.05#授权;2020.10.02#实质审查的生效;2020.09.08#公开

摘要：一种基于深度学习的AlGaAs光电阴极结构设计方法，涉及光电子探测材料、深度学习的技术领域。本发明包括如下步骤：构建多层结构的AlGaAs光电阴极结构；结合构建的AlGaAs光电阴极结构，建立一个训练数据集；将训练数据集输入到训练神经网络；对训练后的神经网络进行测试，得到AlGaAs光电阴极结构设计。本发明利用深度学习理论，自动训练出符合要求的AlGaAs光电阴极结构，极大地减小设计的时间成本和实验成本，获得高效、有效的结果。能快速实现AlGaAs光电阴极按需结构设计，如夜天空下微光像增强器、海洋光电子探测器件、真空电子源、太阳能电池等不同光谱响应要求的领域。

主权项：1.一种基于深度学习的AlGaAs光电阴极结构设计方法，其特征在于包括如下步骤：S1、构建多层结构的AlGaAs光电阴极结构；S2、结合步骤S1构建的AlGaAs光电阴极结构，建立一个训练数据集；具体过程为：结合AlGaAs光电阴极结构的参数范围，采用Matlab编程循环计算，获取30000组数据，其中选取28000组数据作为训练数据集；对训练数据集进行预处理，即将结构参数和光谱响应曲线转换成神经网络能够处理的数据格式；先对结构参数向量化，共有4+3k项参数，若k＝1，将结构数据处理为28000*7维训练矩阵和2000*7维测试矩阵，行数为数据样本数，列数为结构变量数；再对光谱响应曲线向量化，将计算得到的每条光谱响应曲线离散成161维离散值，离散值为波长范围200～1000nm、间隔5nm，再将离散后的光谱响应曲线处理成28000*161维训练矩阵和2000*161维测试矩阵，行数为数据样本数，列数为光谱响应离散点数，经过预处理后的数据可直接作为神经网络的输入；S3、将步骤S2得到的训练数据集输入到训练神经网络；S4、对训练后的神经网络进行测试，得到AlGaAs光电阴极结构设计。

全文数据：

权利要求：

百度查询： 南京工程学院 一种基于深度学习的AlGaAs光电阴极结构设计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD