一种基于微环调制器的神经网络图像处理系统

    公开(公告)号:CN115641494B

    公开(公告)日:2024-05-31

    申请号:CN202211315084.9

    申请日:2022-10-26

    Abstract: 本发明提供了一种基于微环调制器的神经网络图像处理系统,包括:阵列的多个激光器,以及多个全通型微环,每个激光器连接的每个全通型微环的输入端,其中,通过对每个所述全通型微环施加恒定电压,使输出的光强值与待处理图像的像素值成正比;每个全通型微环的输出端通过波分复用器连接至分插复用型微环的输入端,分插复用微环的输出端连接至平衡探测器,将分插复用微环输出的光信号转换成电信号并进行乘法运算,其中,通过对分插复用微环施加恒定电压,使分插复用微环的输入信号的光强值与输出信号的光强值成对应比值,比值为卷积核的参数值;平衡探测器连接至跨阻放大器。本发明极大的提高了图像处理过程中的运算速度。

    一种基于GaAs衬底生长GaSb单晶薄膜的制备方法

    公开(公告)号:CN115910750A

    公开(公告)日:2023-04-04

    申请号:CN202211306994.0

    申请日:2022-10-24

    Abstract: 本发明提供了一种基于GaAs衬底生长GaSb单晶薄膜的制备方法,所述制备方法包括如下方法步骤:在半绝缘掺杂Si的GaAs衬底上生长的GaAs缓冲层;在所述GaAs缓冲层上生长GaSb低温缓冲层;在所述GaSb低温缓冲层上生长GaSb外延层;其中,所述GaSb低温缓冲层的生长厚度为10‑12nm,生长温度为300‑310℃。本发明通过在较低温度下生长较薄的GaSb低温缓冲层后,采用高温生长GaSb单晶薄膜,优化衬底生长温度、束流比、薄膜厚度的手段,采用低温高温相结合生长GaSb的方式,解决由于外延层和衬底存在较大的晶格失配导致表面相对粗糙且形成“V”形凹坑的难点。

    一种基于微环调制器的神经网络图像处理系统

    公开(公告)号:CN115641494A

    公开(公告)日:2023-01-24

    申请号:CN202211315084.9

    申请日:2022-10-26

    Abstract: 本发明提供了一种基于微环调制器的神经网络图像处理系统,包括:阵列的多个激光器,以及多个全通型微环,每个激光器连接的每个全通型微环的输入端,其中,通过对每个所述全通型微环施加恒定电压,使输出的光强值与待处理图像的像素值成正比;每个全通型微环的输出端通过波分复用器连接至分插复用型微环的输入端,分插复用微环的输出端连接至平衡探测器,将分插复用微环输出的光信号转换成电信号并进行乘法运算,其中,通过对分插复用微环施加恒定电压,使分插复用微环的输入信号的光强值与输出信号的光强值成对应比值,比值为卷积核的参数值;平衡探测器连接至跨阻放大器。本发明极大的提高了图像处理过程中的运算速度。

    一种基于InAs/InAsSb的应变平衡超晶格的制备方法

    公开(公告)号:CN115632078A

    公开(公告)日:2023-01-20

    申请号:CN202211300933.3

    申请日:2022-10-24

    Abstract: 本发明提供了一种基于InAs/InAsSb的应变平衡超晶格的制备方法,包括如下步骤:步骤1、对GaSb(100)衬底进行除气;步骤2、对GaSb(100)衬底进行脱氧处理;步骤3、在465℃的温度下,在GaSb(100)衬底上生长GaSb缓冲层,其中,Sb与Ga的五三束流比为5;步骤4、按照20℃/min降温速率降温至385℃,并在该温度下生长100个周期的InAs/InAsxSb1‑x超晶格,其中,In源炉温度为838.3℃,As源炉温度为380℃,Sb源炉温度为620℃,As与In的五三束流比为6,Sb与In的五三束流比为3.7。本发明通过分子束外延(MBE)的方法,实现了在GaSb衬底上生长高质量的InAs/InAsxSb1‑xⅡ类超晶格结构,超晶格结构由100个周期组成,解决了超晶格应变不平衡的问题。

    一种非线性光学卷积神经网络的图像识别方法

    公开(公告)号:CN112699917A

    公开(公告)日:2021-04-23

    申请号:CN202011456497.X

    申请日:2020-12-11

    Abstract: 本发明涉及一种非线性光学卷积神经网络的图像识别方法。针对现有单层光学卷积神经网络对非线性数据特征提取能力不足和分类性能弱的缺点,设计出一种基于Swish激活函数的非线性光学卷积神经网络方法用于图像识别。首先,建立一层光学卷积神经网络模型,包括光学卷积核结构、数量、计算方法和光学特征图;然后,将生成的光学卷积特征图送入Swish激活单元,形成非线性映射;最后,建立多层非线性光学卷积神经网络模型,采用Adam算法对模型参数进行优化。本方法在MNIST手写数字图像数据集上进行实验,结果表明,相比于现有的单层光学卷积神经网络,本发明所提供的方法具有更强的非线性数据可分能力,分类精度高,且计算简便。

Patent Agency Ranking