用于光学神经网络硬件系统误差纠正的虚拟神经网络

提出了一种用于修正光学神经网络硬件系统误差的虚拟神经网络模型，光学实验结果表明该网络能够有效地消除硬件系统误差对实验结果的影响。     

对抗光学神经网络识别误差的渐进式训练方法

提出了一种渐进式训练方案来重新配置马赫-曾德尔干涉仪（MZI）前馈光学神经网络（ONN）的相移,从而对抗MZI的相位误差和分束器误差,提高识别准确率。为了验证所提方案,利用Neuroptica Python仿真平台搭建了3层MZI-ONN结构,并在考虑到MZI相位误差和分束器误差的情况下,利用Iris和MNIST数据集验证了所提方案的有效性。仿真结果表明：在Iris数据集下,对于3层4×4 MZI-ONN结构,所提方案的识别准确率能够提升64.15百分点;在MNIST数据集下,对于4×4、6×6、8×8和16×16规模的MZI-ONN,所提方案的识别准确率能够提升2.00～37.00百分点。所提方案极大地提高了MZI-ONN的抗误差性能,有助于未来大规模、高准确率MZI-ONN的实现。     

基于混合类间联想神经网络的光学模式识别

通过结合自联合模型与异联想模型，提出了一种混合类间联想神经网络的光学模式识别系统。在该神经网络中，输入模式矢量不仅通过自联想识别自身，还通过异联想识别配对矢量，因而提高了识别概率。与匹配滤波器光学模式识别系统相比，识别结果直接，系统简单可行。     

洗牌型图样间联想光学神经网络模型

本文将洗牌型神经网络结构和图样间联想神经网络算法相结合,提出了一种洗牌型图样间联想神经网络(PS-IPA)模型。该模型具有极其简单、稀疏的互连权矩阵,十分适于大规模神经网络的光学实现。计算机模拟结果表明洗牌型图样间联想神经网络的稳定性和抑制噪音的能力均优于图样间联想网络IPA.本文还给出了洗牌互连的一般性原则,使网络结构得到优化,增强了洗牌型神经网络的灵活性和适应性。并采用3-洗牌和2-洗牌结合的PS-IPA对汽车牌照的字符进行识别,得到了较好的结果。     

光学器件面形误差对光束质量的影响

定量分析了光学面形误差各参数（幅度、类型、空间尺度和空间分布等）对光束质量的影响。通过数值计算得到：对于局部缺陷和环形缺陷，在规定误差均方根值时，应对缺陷空间尺茺作出相应规定，以避开光束质量因子β的极大值。中心缺陷比边缘缺陷对光束质量的破坏更大；相位误差的低频部分形成了远场能量分布的中心核，而边翼由高频部分所形成，对高频误差需要规定更严格的容差。     

被动式光学测距误差分析

被动式光学测距系统在战场上具有隐蔽性好的特点。介绍了一种高精度被动式光学测距方法的原理和数学模型。该测量方法采用的是一种比率探测的离焦探测方法,具有高精度、高灵敏度和抗干扰性好的特点。重点分析了影响测距精度的各种因素及误差范围,为系统的设计提供了理论依据。     

正补态光学神经网络模型性能评估

本文对一种多值光学神经网络模型——正补态模型的性能,存贮容量、容错性及收敛性进行了评估,并在N=16的网络上进行了计算机模拟.结果表明,正补态模型的性能比其它光学神经网络模型有所改善.     

图样间联想光学神经网络模型存贮分析及两层异联想识别模型的构造

本文详细讨论了图样间联想网络的最大存贮容量,给出了实现图样间异联想的两个充分条件.在此基础上,利用改进的图样间异联想算法构造了两层异联想模型(THA)用于图样识别,网络判辨率与恢复率较图样间自联想识别均有很大提高;且其互连权矩阵更加简单稀疏并可平面化,光学实现更为简便.     

基于神经网络模型的光学计算

目前的电子计算机适于解决数字运算问题，但是在解决辨别、联想、推理等所谓随机问题方面的能力却远不如人的大脑．企图模仿人脑的解剖结构来设计计算机以解决随机问题，并利用光学的独特功能，这就是光学神经元计算机．据此，Ｈｏｐｆｉｅｌｄ提出了一种关联存贮模型（或称为内容存贮），即每个存贮状态不是按地址存贮，而是按内容存贮在整个神经网络系统上．光学由于具有内禀的并行性，特别适于实现这个模型．采用纯光学或光电混会方法，通过光学矩阵乘法，取阀值运算，反馈迭代过程，可以实现从有误差的输入信息中提取正确的关联存贮信息．利用全息技术，有可能实现二维数据的关联存贮．     

二元光学元件制作误差分析与模拟

从标量衍射理论出发，首先从理论上计算出多台阶二元化学元件发生深度误差时衍射效率的解析式，然后以４台阶和８台阶闪耀光栅为例，对二元光学元件套刻制作中的主要误差及其这些误差之间的相互影响进行了系统的分析和计算机模拟研究，模拟结果给实际制作提供了重要理论指导和实验参数。     

Optical Learning Neural Network Using Photorefractive Waveguides

A model of an optical neural network with learning ability is proposed. We numerically evaluate the learning ability of the proposed network by using parameters determined by experiments. Adaptive connections between artificial neurons are implemented using photorefractive (PR) waveguides that can be optically modified by guided beams. The network consists of three layers and has bipolar weights within the limited range. The bipolar weight is encoded as the difference between optical power transmittances of signal beams in two channels of the PR waveguides. The adaptivity of the transmittance of PR waveguide is experimentally evaluated and is incorporated into the proposed network simulated in a computer. The proposed network is trained by a simplified local learning algorithm. Numerical results showed that the proposed three-layered network with six hidden neurons can solve the exclusive-or problem.     

光学神经网络模式识别系统原理及其现状

评述光学神经网络模式识别系统的原理及发展现状并就几个比较典型的问题进行了讨论。     

混沌光学系统之前向神经网络混沌加速的系统辨识研究

研究了利用前向神经网络对混沌光学系统进行混沌加速系统辨识的可能性，计算机数值仿真发现，利用三层前向神经网络混沌光学系统辨识器。在基于混沌动力学角度的修正ＢＰ算法（混沌加速ＢＰ算法）支持下可克服由常规ＢＰ算法导致的辨识时间长的缺点，在较少的训练次数内即可对布拉格声双稳混沌系统进行良好的系统辨识，此研究结果表明，在混沌加速ＢＰ算法支持下，三层前向神经网络可用来快速处理混沌光学时间序列以进行相应的动力学     

含有误差校正的小波神经网络交通流量预测

交通流量的准确预测对于高速路管理者进行决策至关重要。建立了小波神经网络(WNN)交通流量预测模型,并通过预测训练误差和测试误差校正预测结果来提高预测精度。首先构建WNN模型对交通流量进行初步预测,然后利用经验模态分解(EMD)和WNN模型对训练误差和测试误差进行预测。分别用训练误差预测值、测试误差预测值和两种误差预测值的加权对流量初步预测结果进行修正得到最终预测值。采用四川省成灌高速路交通流量数据进行了仿真对比实验,仿真结果表明含有误差校正的小波神经网络模型能有效提高交通流量预测精度,并且利用两种误差加权修正模型的预测精度高于利用测试误差的修正模型和利用训练误差的修正模型。     

连续多阈值神经元反馈神经网络盲检测光基带信号

空间分集接收可补偿信道衰落,提出了一种基于幅相联合激励法的连续多阈值神经元反馈神经网络(RNNCMVN)的光基带信号直接盲检测方法。针对多进制相移键控(MPSK)信号的特点,设计了两种连续相位多阈值激励函数形式,并简要讨论了该两类激励函数参数的选择;分别推演基于幅相联合激励法的RNNCMVN光基带信号盲检测方法工作于同步和异步两种模式下的新能量函数及其相关证明。同时针对正交调幅(QAM)信号的特点,分别设计出连续振幅和相位多阈值激励函数形式,最后通过仿真验证了该方法的有效性。     

分数傅里叶变换光学实现的基本单元

提出一些实现分数傅里叶变换的新型的基本光学单元。这些基本单元仅使用一个透镜和一个菲涅耳衍射，给光学设计增加一些新的可选基本类型，对于给定焦距的透镜，它能完成的分数傅里叶变换是Ｌｏｈｍａｎｎ给出的单透镜结构无法实现。     

航天光学遥感器在轨调制传递函数神经网络评价方法

通过对航天光学遥感器在轨调制传递函数模型和遥感图像的分析,找出遥感图像中与调制传递函数有关的特征信息,采用神经网络为工具,完成利用遥感器传输下来的任意一幅地面景物图像进行调制传递函数的评价。首先模拟出包含不同调制传递函数等级的遥感图像,组成训练样本集,再从图像中分别提取出直接与调制传递函数有关的特征参量和与景物结构有关的特征参量,作为神经网络的输入,网络通过对训练样本集中模拟出的大量调制传递函数已知的遥感图像训练后,当再次输入一幅调制传递函数未知的遥感图像时,便能够正确估计出其调制传递函数值。这种方法不需要在地面铺设靶标或预先获得调制传递函数已知的同一地面景物的航空图像作为参考,只需获得任意一幅地面景物图像即可完成对遥感器调制传递函数的评价。实验结果表明,当不考虑噪声对调制传递函数的影响时,对调制传递函数的评价误差约为6%,而在考虑噪声时,评价误差约为9%。     

Optical Learning Neural Network Using a Selfoc Microlens Array for Pattern Recognition

An optical system for learning neural networks with a 2-D architecture was constructed using a Selfoc microlens array. Using this system, we achieved pattern recognition of typed alphabet characters detected directly with a CCD camera. The system learned 4 characters according to a random search algorithm in order to avoid the difficulties and the costs of calculations of learning signals, optical alignments and addressing to the device which display the weight tensors.