基于集成学习的光衍射神经网络分类方法及系统
知识产权简介
本发明提供了一种基于集成学习的光衍射神经网络分类方法及系统，旨在提升散射介质环境下的物体分类精度。所述方法包括：步骤1，构建并生成适用于光衍射神经网络训练的仿真数据集，所述数据集包含目标物体数据集与散射介质数据集；步骤2，搭建多个差异化的光衍射神经网络前向传播模型，并基于上述仿真数据集分别对各模型完成训练；步骤3，采用预设集成学习策略对多个光衍射神经网络输出的分类结果进行融合决策，以提升整体分类精度；步骤4，驱动光学系统运行，根据探测器采集的光场强度数据，实时输出目标物体的分类结果。本发明通过引入集成学习机制构建抗散射分类策略，可有效提升静态或动态散射介质干扰条件下的物体分类准确性与鲁棒性。
转化前景
散射介质的存在会使光学探测结果呈现无规律的随机散斑图案，难以直接获取散射介质后物体的有效特征信息。现有图像分类网络多针对理想无干扰环境设计，其输入光场未受散射介质影响。而在交通监测、生物医学成像、遥感观测等实际应用场景中，光路中都存在未知散射介质的干扰，且散射介质通常具有随机性与动态变化特性。因此，如何在复杂动态散射环境下直接实现对物体的有效信息提取与识别分类，已成为该领域亟待解决的关键技术问题。针对上述问题，本发明采用光衍射神经网络结合集成学习策略，对动态散射介质后的物体进行分类识别，可有效提升散射环境下的目标分类精度与模型鲁棒性。