本技术涉及光学，更具体地，涉及一种基于机器学习的光学器件参数的确定方法及装置。
背景技术：
1、在光学设计中，通常是根据需求方给出的使用要求设计出满足该使用要求的光学系统，在此过程中涉及与光学系统相关的参数设计，如光学系统的性能参数、结构参数、面形参数等。
2、以mla(微透镜阵列，micro lens array)的设计为例，需求方给出某光学特性指标(如一组光场特征)，传统设计过程中，人工设定透镜的一组面形参数，通过仿真得到光场特征，当需求方给出的光场特征与仿真得到的光场特征不吻合时，根据经验调整面形参数，直至实现仿真得到的光场特征与需求方给出的光场特征相吻合或几近吻合，则可认为所设计的透镜符合需求。
3、可见，传统的光学设计所采用仿真算法速度慢、且人工设定和调整光学器件参数的方式导致工作量大、耗时长且效率低下。
技术实现思路
1、本技术实施例提供一种基于机器学习的光学器件参数的确定方法和装置，能够大大减少工作量和耗时，有效地提高光学设计的效率。
2、第一方面，提供了基于机器学习的光学器件参数的确定方法，该方法包括：将当前的第一光学器件参数组带入该机器学习算法得到第一光学特性参数组，该机器学习算法是基于神经网络训练模型对样本集进行训练得到的，该样本集中的各个子集包括历史光学器件参数组和与其相对应的历史光学特性参数组；根据该第一光学特性参数组和目标光学特性参数组确定损失函数值；以及当该损失函数值满足预设要求时，将该第一光学器件参数组确定为与该目标光学特性参数组相对应的目标光学器件参数组，否则，生成下一次迭代中带入该机器学习算法的第二光学器件参数组，其中，与该第二光学器件参数组对应的第二光学特性参数组比该第一光学特性参数组更接近该目标光学特性参数组。
3、结合第一方面，在一种可能的实现方式中，该历史光学器件参数组具有n1个光学器件参数值和该历史光学特性参数组具有n2个光学特性参数值，该神经网络训练模型包括一个输入层、至少一个隐含层和一个输出层，该样本集包括m1个训练子集，其中m1、n1和n2均为正整数；机器学习算法是基于神经网络训练模型对样本集进行训练得到的包括：将该m1个训练子集中第i个训练子集的n1个光学器件参数值作为该输入层的n1个输入变量，基于该至少一个隐含层的神经网络回归算法进行预测，在该输出层输出n2个输出变量；将本次迭代输出的该n2个输出变量分别与该第i个训练子集中对应的n2个光学特性参数值进行比较，根据比较的结果调整该神经网络训练模型中的权重系数以进行下一次迭代，i为正整数且取值从1到m1；以及将迭代结束后得到的输入和输出的映射关系确定为该机器学习算法。
4、可选地，神经网络训练模型包括一个隐含层，该隐含层包括n3个感知器，在该n3个感知器中的每个感知器输入该n1个输入变量，其中在第j个感知器将所述n1个输入变量进行加权求和所得到的值
5、sij＝wij0+wij1*xi1+wij2*xi2+…+wijn1*xin1
6、将sij输入激活函数gj(x)，然后得到返回值gj(sj)作为该第j个感知器的输出值，其中该n1个输入变量分别是xi1，xi2，...xin1，wij0表示第i次迭代该隐含层的第j个感知器中的偏置项，wij1，wij2，...wijn1表示在第i次迭代所述隐含层的第j个感知器中分别与xi1，xi2，...xin1对应的权重系数，j为正整数且取值从1到n3，将该n3个感知器分别输出的n3个输出值作为该输入层的输入变量，其中该n3个输出值分别是g1(si1)，g2(si2)，...gn3(sin3)。
7、可选地，该隐含层的感知器的数目n3取决于该训练子集的数目m1和/或该隐含层的感知器的数目n3取决于该历史光学器件参数组具有的光学器件参数值的数目，如n3＝n1。
8、可选地，该输出层包括n2个感知器，在该n2个感知器中的每个感知器输入该n3个输出值，其中在第r个感知器将该n3个输出值进行加权求和所得到的值：
9、s′ir＝w′ir0+w′ir1*g1(si1)+w′ir2*g2(si2)+…+w′irn3*gn3(sin3)
10、将s′ir输入激活函数g′r(x)，然后得到返回值g′r(s′ir)作为该第r个感知器的输出值，r为正整数且取值从1到n2，w′ir0表示第i次迭代该输出层的第r个感知器中的偏置项，w′ir1，w′ir2，...w′irn3表示在第i次迭代该输出层的第r个感知器中分别与g1(si1)，g2(si2)，...，gn3(sin3)对应的权重系数，在第i次迭代中输出的该n2个输出变量分别是g′1(s′i1)，g′2(s′i2)，…，g′n2(s′in2)；根据第i次迭代中输出的该n2个输出变量分别与该第i个训练子集中对应的n2个光学特性参数值的差值调整隐含层的权重系数和/或输出层的权重系数以进行下一次迭代。
11、可选地，样本集还包括m2个验证子集和m3个测试子集，该m2个验证子集用于训练过程中调整该神经网络训练模型的超参数，该m3个测试子集用于评估该神经网络训练模型的泛化，其中m2和m3均为正整数。
12、结合第一方面，在第一方面的一种可能的实现方式中，该方法还包括：随机生成初始光学器件参数组，将该初始光学器件参数组作为第一次迭代带入该机器学习算法的光学器件参数组。
13、结合第一方面，在第一方面的一种可能的实现方式中，该确定损失函数值的方式包括：根据该第一光学特性参数组中的一个或多个参数值与该目标光学特性参数组中相对应的一个或多个参数值的差值确定该损失函数值；其中该损失函数值小于或等于预设阈值时表示该损失函数值满足预设要求，该损失函数值大于该预设阈值时表示该损失函数值不满足预设要求。
14、可选地，根据该第一光学特性参数组中的多个参数值与该目标光学特性参数组中相对应多个参数值的均方差确定该损失函数值。
15、可选地，对该第一光学特性参数组中的多个参数值与该目标光学特性参数组中相对应多个参数值的差值绝对值进行加权求和得到该损失函数值；例如数量级越大的光学特性参数所对应的权重越高。
16、结合第一方面，在第一方面的一种可能的实现方式中，基于优化算法如ga遗传优化算法生成下一次迭代中带入该机器学习算法的第二光学器件参数组。
17、结合第一方面，在第一方面的一种可能的实现方式中，该方法应用于微透镜阵列，该光学器件参数为该微透镜阵列的一个或多个子透镜的面形参数，该光学特性参数为光场特征。
18、可选地，该面形参数包括下列参数的其中之一或任意组合或多个参数之间的函数关系式：水平方向的各阶非球面系数之一或多个、垂直方向的各阶球面系数之一或多个、曲率半径、归一化半径和曲面系数，和该光场特征包括下列参数其中之一或任意组合或多个参数之间的函数关系式：水平方向上峰值光强、中心光强、垂直方向上峰值光强、水平方向的视场、垂直方向的视场和照度分布。例如，该面形参数包括：r、k、nr、x2、y2、x4、y4、x6、y6、x2y2，和所述光场特征包括：fov_x、fov_y、p/c_x、p/c_y，其中r表示曲率半径，k表示曲面系数，nr表示归一化半径，x2表示水平方向的2阶非球面系数，y2表示垂直方向的2阶非球面系数，x4表示水平方向的4阶非球面系数，y4表示垂直方向的4阶非球面系数，x6表示水平方向的6阶非球面系数，y6表示垂直方向的6阶非球面系数，x2y2表示4次曲面系数，fov_x表示水平方向的视场，fov_y表示垂直方向的视场，p/c_x表示水平方向上峰值光强与中心光强的比值，p/c_y表示垂直方向上峰值光强与中心光强的比值。
19、第二方面，提供了基于机器学习的光学器件参数的确定装置，该装置包括处理单元，该处理单元用于将当前的第一光学器件参数组带入该机器学习算法得到第一光学特性参数组，根据该第一光学特性参数组和目标光学特性参数组确定损失函数值，以及当该损失函数值满足预设要求时，将该第一光学器件参数组确定为与该目标光学特性参数组相对应的目标光学器件参数组，否则，生成下一次迭代中带入该机器学习算法的第二光学器件参数组；其中，该机器学习算法是基于神经网络训练模型对样本集进行训练得到的，该样本集中的各个子集包括历史光学器件参数组和与其相对应的历史光学特性参数组；与该第二光学器件参数组对应的第二光学特性参数组比该第一光学特性参数组更接近该目标光学特性参数组。
20、结合第二方面，在第二方面的一种可能的实现方式中，所述装置还可以包括存储单元，该存储单元用于存储该样本集，其中该历史光学器件参数组具有n1个光学器件参数值和该历史光学特性参数组具有n2个光学特性参数值，该神经网络训练模型包括一个输入层、至少一个隐含层和一个输出层，该样本集包括m1个训练子集，其中m1、n1和n2均为正整数；该处理单元还可以用于将该存储单元存储的该m1个训练子集中第i个训练子集的n1个光学器件参数值作为该输入层的n1个输入变量，基于该至少一个隐含层的神经网络回归算法进行预测，在该输出层输出n2个输出变量；将本次迭代输出的该n2个输出变量分别与该第i个训练子集中对应的n2个光学特性参数值进行比较，根据比较的结果调整该神经网络训练模型中的权重系数以进行下一次迭代，i为正整数且取值从1到m1；以及将迭代结束后得到的输入和输出的映射关系确定为该机器学习算法。
21、可选地，该神经网络训练模型包括一个隐含层，该隐含层包括n3个感知器，n3为正整数，该处理单元还可以用于：
22、在该n3个感知器中的每个感知器输入该n1个输入变量，其中在第j个感知器将该n1个输入变量进行加权求和所得到的值
23、sij＝wij0+wij1*xi1+wij2*xi2+…+wijn1*xin1
24、将sij输入激活函数gj(x)，然后得到返回值gj(sj)作为该第j个感知器的输出值，其中该n1个输入变量分别是xi1，xi2，...xin1，wij0表示第i次迭代该隐含层的第j个感知器中的偏置项，wij1，wij2，...wijn1表示在第i次迭代该隐含层的第j个感知器中分别与xi1，xi2，...xin1对应的权重系数，j为正整数且取值从1到n3；
25、将该n3个感知器分别输出的n3个输出值作为该输入层的输入变量，其中该n3个输出值分别是g1(si1)，g2(si2)，...gn3(sin3)。
26、可选地，该隐含层的感知器的数目n3取决于该训练子集的数目m1；和/或该隐含层的感知器的数目n3取决于该历史光学器件参数组具有的光学器件参数值的数目，例如，n3＝n1。
27、可选地，该输出层包括n2个感知器，该处理单元具体用于：
28、在该n2个感知器中的每个感知器输入该n3个输出值，其中在第r个感知器将该n3个输出值进行加权求和所得到的值：
29、s′ir＝w′ir0+w′ir1*g1(si1)+w′ir2*g2(si2)+…+w′irn3*gn3(sin3)
30、将s′ir输入激活函数g′r(x)，然后得到返回值g′r(s′ir)作为该第r个感知器的输出值，r为正整数且取值从1到n2，w′ir0表示第i次迭代该输出层的第r个感知器中的偏置项，w′ir1，w′ir2，...w′irn3表示在第i次迭代该输出层的第r个感知器中分别与g1(si1)，g2(si2)，...，gn3(sin3)对应的权重系数，在第i次迭代中输出的该n2个输出变量分别是g′1(s′i1)，g′2(s′i2)，...，g′n2(s′in2)；
31、根据第i次迭代中输出的该n2个输出变量分别与该第i个训练子集中对应的n2个光学特性参数值的差值调整隐含层的权重系数和/或输出层的权重系数以进行下一次迭代。
32、结合第二方面或其上述实现方式中，在第二方面的一种可能的实现方式中，该存储单元存储的该样本集还可以包括m2个验证子集和m3个测试子集，该m2个验证子集用于训练过程中调整该神经网络训练模型的超参数，该m3个测试子集用于评估该神经网络训练模型的泛化，其中m2和m3均为正整数。
33、结合第二方面或其上述实现方式中，在第二方面的一种可能的实现方式中，该处理单元还可以用于随机生成初始光学器件参数组，该初始光学器件参数组为第一次迭代带入该机器学习算法的光学器件参数组。
34、结合第二方面或其上述实现方式中，在第二方面的一种可能的实现方式中，该处理单元具体用于基于ga遗传优化算法生成该第二光学器件参数组。
35、结合第二方面或其上述实现方式中，在第二方面的一种可能的实现方式中，该处理单元具体用于根据该第一光学特性参数组中的一个或多个参数值与该目标光学特性参数组中相对应的一个或多个参数值的差值确定该损失函数值，其中该损失函数值小于或等于预设阈值时表示该损失函数值满足预设要求，该损失函数值大于该预设阈值时表示该损失函数值不满足预设要求。
36、可选地，该处理单元具体用于根据该第一光学特性参数组中的多个参数值与该目标光学特性参数组中相对应多个参数值的均方差确定该损失函数值；或者对该第一光学特性参数组中的多个参数值与该目标光学特性参数组中相对应多个参数值的差值绝对值进行加权求和得到该损失函数值，例如，数量级越大的光学特性参数所对应的权重越高。
37、结合第二方面或其上述实现方式中，在第二方面的一种可能的实现方式中，该光学器件参数为该微透镜阵列的一个或多个子透镜的面形参数，该光学特性参数为光场特征。
38、可选地，该面形参数可以包括下列参数的其中之一或任意组合或多个参数之间的函数关系式：水平方向的各阶非球面系数之一或多个、垂直方向的各阶球面系数之一或多个、曲率半径、归一化半径和曲面系数，和该光场特征包括下列参数其中之一或任意组合或多个参数之间的函数关系式：水平方向上峰值光强、中心光强、垂直方向上峰值光强、水平方向的视场、垂直方向的视场和照度分布。例如，该面形参数包括：r、k、nr、x2、y2、x4、y4、x6、y6、x2y2，和所述光场特征包括：fov_x、fov_y、p/c_x、p/c_y，其中r表示曲率半径，k表示曲面系数，nr表示归一化半径，x2表示水平方向的2阶非球面系数，y2表示垂直方向的2阶非球面系数，x4表示水平方向的4阶非球面系数，y4表示垂直方向的4阶非球面系数，x6表示水平方向的6阶非球面系数，y6表示垂直方向的6阶非球面系数，x2y2表示4次曲面系数，fov_x表示水平方向的视场，fov_y表示垂直方向的视场，p/c_x表示水平方向上峰值光强与中心光强的比值，p/c_y表示垂直方向上峰值光强与中心光强的比值。
39、第三方面，提供了一种基于机器学习的光学器件参数的确定装置，该装置包括处理器和存储器，该处理器与该存储器耦合，该处理器用于读取并执行该存储器中的指令，以实现上述第一方面中的任一种可能实现方式中的方法。
40、第四方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序代码，当该计算机程序代码被执行时，实现上述第一方面中的任一种可能实现方式中的方法。
41、在本技术实施例中，将当前的第一光学器件参数组带入机器学习算法得到第一光学特性参数组，该机器学习算法是基于神经网络训练模型对样本集进行训练得到的，根据该第一光学特性参数组和目标光学特性参数组确定损失函数值，以及当该损失函数值满足预设要求时，将该第一光学器件参数组确定为与该目标光学特性参数组相对应的目标光学器件参数组，否则，生成下一次迭代中带入该机器学习算法的第二光学器件参数组。通过基于神经网络模型对历史参数进行训练得到的机器学习算法来确定光学器件参数实现光学设计的光学特性参数满足使用要求，能够提高速度并且减少设计过程中的工作量和耗时，从而提高设计效率。
1.一种基于机器学习的光学器件参数的确定方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述历史光学器件参数组具有n1个光学器件参数值和所述历史光学特性参数组具有n2个光学特性参数值，所述神经网络训练模型包括一个输入层、至少一个隐含层和一个输出层，所述样本集包括m1个训练子集，其中m1、n1和n2均为正整数：
3.根据权利要求2所述的方法，其特征在于，所述神经网络训练模型包括一个隐含层，所述隐含层包括n3个感知器，n3为正整数；
4.根据权利要求3所述的方法，其特征在于，
5.根据权利要求4所述的方法，其特征在于，所述隐含层的感知器的数目n3取决于所述历史光学器件参数组具有的光学器件参数值的数目，包括：所述隐含层的感知器的数目n3与所述光学器件参数值的数目n1相同。
6.根据权利要求3-5任一项所述的方法，其特征在于，所述输出层包括n2个感知器，
7.根据权利要求2-6任一项所述的方法，其特征在于，所述样本集还包括m2个验证子集和m3个测试子集，所述m2个验证子集用于训练过程中调整所述神经网络训练模型的超参数，所述m3个测试子集用于评估所述神经网络训练模型的泛化，其中m2和m3均为正整数。
8.根据权利要求1-7任一项所述的方法，其特征在于，在所述将当前的第一光学器件参数组带入所述机器学习算法得到第一光学特性参数组之前，包括：
9.根据权利要求1-8任一项所述的方法，其特征在于，所述根据所述第一光学特性参数组和目标光学特性参数组确定损失函数值，包括：
10.根据权利要求9所述的方法，其特征在于，所述根据所述第一光学特性参数组中的一个或多个参数值与所述目标光学特性参数组中相对应的一个或多个参数值的差值确定所述损失函数值，包括：
11.根据权利要求10所述的方法，其特征在于，数量级越大的光学特性参数所对应的权重越高。
12.根据权利要求1-11任一项所述的方法，其特征在于，所述生成下一次迭代中带入所述机器学习算法的第二光学器件参数组，包括：
13.根据权利要求1-12任一项所述的方法，其特征在于，所述方法应用于微透镜阵列，所述光学器件参数为所述微透镜阵列的一个或多个子透镜的面形参数，所述光学特性参数为光场特征，其中所述面形参数包括下列参数的其中之一或任意组合或多个参数之间的函数关系式：水平方向的各阶非球面系数中之一或多个、垂直方向的各阶球面系数之一或多个、曲率半径、归一化半径和曲面系数；和所述光场特征包括下列参数其中之一或任意组合或多个参数之间的函数关系式：水平方向上峰值光强、中心光强、垂直方向上峰值光强、水平方向的视场、垂直方向的视场和照度分布。
14.根据权利要求1-13任一项所述的方法，其特征在于，所述面形参数包括：r、k、nr、x2、y2、x4、y4、x6、y6、x2y2，和所述光场特征包括：fov_x、fov_y、p/c_x、p/c_y，其中r表示曲率半径，k表示曲面系数，nr表示归一化半径，x2表示水平方向的2阶非球面系数，y2表示垂直方向的2阶非球面系数，x4表示水平方向的4阶非球面系数，y4表示垂直方向的4阶非球面系数，x6表示水平方向的6阶非球面系数，y6表示垂直方向的6阶非球面系数，x2y2表示4次曲面系数，fov_x表示水平方向的视场，fov_y表示垂直方向的视场，p/c_x表示水平方向上峰值光强与中心光强的比值，p/c_y表示垂直方向上峰值光强与中心光强的比值。
15.一种基于机器学习的光学器件参数的确定装置，其特征在于，包括：
16.根据权利要求15所述的装置，其特征在于，所述装置还包括存储单元，
17.根据权利要求16所述的装置，其特征在于，所述神经网络训练模型包括一个隐含层，所述隐含层包括n3个感知器，n3为正整数；
18.根据权利要求17所述的方法，其特征在于，其中所述隐含层的感知器的数目n3取决于所述训练子集的数目m1；和/或所述隐含层的感知器的数目n3取决于所述历史光学器件参数组具有的光学器件参数值的数目，优选地，n3＝n1。
19.根据权利要求17或18所述的装置，其特征在于，所述输出层包括n2个感知器，所述处理单元具体用于：
20.根据权利要求16-19任一项所述的装置，其特征在于，所述存储单元存储的所述样本集还包括m2个验证子集和m3个测试子集，所述m2个验证子集用于训练过程中调整所述神经网络训练模型的超参数，所述m3个测试子集用于评估所述神经网络训练模型的泛化，其中m2和m3均为正整数。
21.根据权利要求15-20任一项所述的装置，其特征在于，
22.根据权利要求15-21任一项所述的装置，其特征在于，
23.根据权利要求15-22任一项所述的装置，其特征在于，
24.根据权利要求23所述的装置，其特征在于，
25.根据权利要求15-24任一项所述的装置，其特征在于，
26.一种基于机器学习的光学器件参数的确定装置，其特征在于，包括：处理器和存储器，所述处理器与所述存储器耦合，所述处理器用于读取并执行所述存储器中的指令，以实现根据权利要求1-14任一项所述的方法。
27.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被执行时，实现根据权利要求1-14任一项所述的方法。
