申请/专利权人：西安交通大学

申请日：2020-09-17

公开（公告）日：2024-04-02

公开（公告）号：CN112085841B

主分类号：G06T17/00

分类号：G06T17/00;G06T15/50;G06N3/0442;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.01.01#实质审查的生效;2020.12.15#公开

摘要：本发明公开一种基于深度前馈神经网络的数字全息图生成系统及方法，所述方法包括：1构建前馈神经网络，包含输入层、隐含层和输出层；2构建四层全连接神经网络，包含一个输入层、两个隐含层和一个输出层，使用相应数据进行训练，得到训练完毕的全连接神经网络；3以步骤1构建前馈神经网络的输出作为步骤2所得全连接神经网络的输入，对两个网络进行拼接，形成深度前馈神经网络；使用深度前馈神经网络生成点云物体的数字全息图。本发明提供的方法与点源法相比，能够以更快的速度实现数字全息图的生成，无需额外的内存占用，同时可以保持点源法生成全息图的成像质量和泛化能力。

主权项：1.一种基于深度前馈神经网络的数字全息图生成方法，其特征在于，包括：1构建前馈神经网络，包含输入层、隐含层和输出层；2构建四层全连接神经网络，包含一个输入层、两个隐含层和一个输出层，使用相应数据进行训练，得到训练完毕的全连接神经网络；3以步骤1构建前馈神经网络的输出作为步骤2所得全连接神经网络的输入，对两个网络进行拼接，形成深度前馈神经网络；使用深度前馈神经网络生成点云物体的数字全息图；步骤1中根据前馈神经网络结构对点源法计算全息图的基本计算公式进行网络化设计，得到三层自定义的前馈神经网络；步骤1所述点源法计算全息图的基本计算公式如式5所示： 其中，rp为物光点p到全息面采样点xh,yh的距离，rp计算公式如式2所示： 采用自定义前馈神经网络对公式2进行网络化设计；以xp,yp,zp为网络输入，xh,yh为网络参数，神经元激活函数采用自定义激活函数，为输出，构建自定义前馈神经网络；前馈神经网络中输入层和隐含层之间所有连接的权重均为1，偏置自上而下分别为-xh，-yh和0，隐含层激活函数为自定义求平方函数；隐含层和输出层之间所有连接的权重均为1，偏置均为0，输出层激活函数为自定义取小数函数；xh,yh为全息面上采样点坐标；步骤2具体包括如下步骤：21构建四层全连接神经网络，用于学习余弦函数运算规律；所述余弦函数为公式5中的余弦函数部分，记为 22将高频余弦函数映射为单周期基频函数，映射表达式为： 其中frac为取小数操作；所述的相应数据为神经网络训练数据，由rp及公式7产生；23使用步骤22中的训练数据，采用逆向传播算法对步骤21中构建的全连接神经网络进行训练；所述神经网络的逆向传播训练方法采用均方误差的最速下降算法，调整所述全连接神经网络的网络权重和偏置；当网络输出误差达到设定值时结束网络训练，得到训练完毕的全连接神经网络。

全文数据：

权利要求：

百度查询： 西安交通大学 一种基于深度前馈神经网络的数字全息图生成系统及方法

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