少样本深度学习算法赋能二维衍射超材料逆向设计

二维衍射超材料是研究高阶衍射光束的光学手性响应的理想材料.随着计算机软硬件技术的发展,越来越多的深度学习算法应用于超材料这一领域.当前,深度学习算法大多需要大量训练数据作为支撑,造成了较大时间开销,并且其模型的可解释性通常较弱.针对以上情况,本文提出一种基于数据增强的迭代少样本深度学习算法,利用少量的仿真数据,训练正向预测的网络模型,进而生成大量"伪数据",再使用扩充后的混合数据集进行逆向设计模型训练,通过多次迭代得到超材料结构参数的准确值.与以往大多数深度学习方法相比,本文方法将仿真数据集规模缩小了至少一到两个数量级,有效降低了对仿真光谱的依赖,且设计成功率不低于96%.同时,从数据的角度,根据二维衍射超材料的几何参数对光学响应的影响解释了实验结果,增强了模型的可解释性.结果表明,本文方法为超灵敏、可调控偏振光电子器件的研发提供了新思路.

双阶段帕金森病语音聚类包络卷积稀疏迁移学习算法

帕金森病(PD)语音识别算法研究对于其及时诊疗具有重要意义,但现有PD语音识别算法面临小样本数据量问题挑战。针对问题,本文提出双面双阶段均值聚类包络和卷积稀疏迁移学习算法。在双阶段学习方面,首先基于源数据集训练多组卷积核,然后通过中间集得到最优卷积核并对目标集进行编码。在深度样本聚类包络方面,首先设计迭代均值聚类算法构建深度样本空间;然后进行样本特征同时选择并训练分类器模型;最后对不同样本空间的分类结果进行融合。实验选取代表性的PD语音数据集进行验证。实验结果表明,本文算法创新部分有效,与10多个经典和最新相关文献算法相比取得了显著改进,准确率达97.8%。此外,本文算法的时间复杂度不高,满足临床应用要求。