(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(72)發(fā)明人晁銀銀董剛趙雅倩李仁剛徐哲王斌強楊宏斌公司11227統(tǒng)及相關(guān)組件本申請公開了一種基于神經(jīng)網(wǎng)絡(luò)的器件參該基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法通過逆網(wǎng)利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)，目標(biāo)需求包括目標(biāo)電磁光利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)，目標(biāo)需求包括目標(biāo)電磁光譜響應(yīng)將器件參數(shù)和真實樣本輸入判別網(wǎng)絡(luò)，并使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作，直至利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)電磁光譜響應(yīng)生成的器件參數(shù)滿足真實條件將滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)，當(dāng)實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配時，輸出逆網(wǎng)絡(luò)生成的器件參數(shù)21.一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法，其特征在于，神經(jīng)網(wǎng)絡(luò)包括逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)，所述逆網(wǎng)絡(luò)包括輸入層、全連接層、轉(zhuǎn)置卷積層、編碼解碼模塊和輸出層，所述編碼解碼模塊包括編碼器和解碼器，所述前向預(yù)測網(wǎng)絡(luò)和所述判別網(wǎng)絡(luò)均包括BN層，該器件參數(shù)獲取方法包括：利用所述逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成多個器件參數(shù)，所述目標(biāo)需求為包括目標(biāo)電磁光譜響應(yīng)、目標(biāo)入射角、目標(biāo)器件材料折射率及模擬隨機噪聲的一維向量；所述器件參數(shù)包括器件結(jié)構(gòu)圖像；將所述器件參數(shù)和真實樣本輸入所述判別網(wǎng)絡(luò)，并使所述判別網(wǎng)絡(luò)使用所述器件參數(shù)和所述真實樣本進(jìn)行對抗訓(xùn)練，得到所述器件參數(shù)為真實參數(shù)的概率，判斷所述概率是否為目標(biāo)值，若否，獲取第一調(diào)整參數(shù)，并基于所述第一調(diào)整參數(shù)對所述逆網(wǎng)絡(luò)和所述判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作，若是，判定利用所述逆網(wǎng)絡(luò)根據(jù)所述目標(biāo)電磁光譜響應(yīng)生成的所述器件參數(shù)滿足真實條件；將滿足所述真實條件的所述器件參數(shù)輸入所述前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)，當(dāng)所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹配時，輸出所述逆網(wǎng)絡(luò)生成的所述器件參數(shù)；所述利用所述逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)的過程包括：將所述目標(biāo)需求輸入所述逆網(wǎng)絡(luò)；通過所述轉(zhuǎn)置卷積層基于所述目標(biāo)需求進(jìn)行上采樣得到重構(gòu)參數(shù)；通過所述編碼解碼模塊從所述重構(gòu)參數(shù)中提取特征參數(shù)，利用所述特征參數(shù)生成器件所述將滿足所述真實條件的所述器件參數(shù)輸入所述前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)之后，該器件參數(shù)獲取方法還包括：獲取所述實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)之間的損失函數(shù)；所述損失函數(shù)用于完成反向傳播更新梯度；當(dāng)所述損失函數(shù)收斂，判定所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹配；當(dāng)所述損失函數(shù)未收斂，獲取第二調(diào)整參數(shù)；基于所述第二調(diào)整參數(shù)對所述逆網(wǎng)絡(luò)和所述前向預(yù)測網(wǎng)絡(luò)進(jìn)行第二參數(shù)更新操作，直至所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹配。2.一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取系統(tǒng)，其特征在于，神經(jīng)網(wǎng)絡(luò)包括逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)，所述逆網(wǎng)絡(luò)包括輸入層、全連接層、轉(zhuǎn)置卷積層、編碼解碼模塊和輸出層，所述編碼解碼模塊包括編碼器和解碼器，所述前向預(yù)測網(wǎng)絡(luò)和所述判別網(wǎng)絡(luò)均包括BN層，該器件參數(shù)獲取系統(tǒng)包括：第一處理模塊，用于利用所述逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成多個器件參數(shù)，所述目標(biāo)需求為包括目標(biāo)電磁光譜響應(yīng)、目標(biāo)入射角、目標(biāo)器件材料折射率及模擬隨機噪聲的一維向量；所述器件參數(shù)包括器件結(jié)構(gòu)圖像；調(diào)整模塊，用于將所述器件參數(shù)和真實樣本輸入所述判別網(wǎng)絡(luò)，并使所述判別網(wǎng)絡(luò)使用所述器件參數(shù)和所述真實樣本進(jìn)行對抗訓(xùn)練，得到所述器件參數(shù)為真實參數(shù)的概率，判斷所述概率是否為目標(biāo)值，若否，獲取第一調(diào)整參數(shù)，并基于所述第一調(diào)整參數(shù)對所述逆網(wǎng)絡(luò)和所述判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作，若是，判定利用所述逆網(wǎng)絡(luò)根據(jù)所述目標(biāo)電磁3光譜響應(yīng)生成的所述器件參數(shù)滿足真實條件；第二處理模塊，用于將滿足所述真實條件的所述器件參數(shù)輸入所述前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)，當(dāng)所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹配時，輸出所述逆網(wǎng)絡(luò)生成的所述器件參數(shù)；所述利用所述逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)的過程包括：將所述目標(biāo)需求輸入所述逆網(wǎng)絡(luò)；通過所述轉(zhuǎn)置卷積層基于所述目標(biāo)需求進(jìn)行上采樣得到重構(gòu)參數(shù)；通過所述編碼解碼模塊從所述重構(gòu)參數(shù)中提取特征參數(shù)，利用所述特征參數(shù)生成器件該器件參數(shù)獲取系統(tǒng)還用于：在將滿足所述真實條件的所述器件參數(shù)輸入所述前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)之后，獲取所述實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)之間的損失函數(shù)；所述損失函數(shù)用于完成反向傳播更新梯度；當(dāng)所述損失函數(shù)收斂，判定所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹配；當(dāng)所述損失函數(shù)未收斂，獲取第二調(diào)整參數(shù)；基于所述第二調(diào)整參數(shù)對所述逆網(wǎng)絡(luò)和所述前向預(yù)測網(wǎng)絡(luò)進(jìn)行第二參數(shù)更新操作，直至所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹配。3.一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取裝置，其特征處理器，用于執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法的步驟。4.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法的步驟。4一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法、系統(tǒng)及相關(guān)組件技術(shù)領(lǐng)域[0001]本申請涉及器件設(shè)計領(lǐng)域，特別涉及一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法、系統(tǒng)及相關(guān)組件。背景技術(shù)[0002]在納米光子學(xué)中，由亞波長周期性或非周期性幾何陣列組成的光學(xué)器件，因其具有改變介電常數(shù)和磁導(dǎo)率的特殊性能而引起了廣泛的關(guān)注。亞波長光學(xué)器件的設(shè)計包括兩方面，一方面是正問題，即給定器件尺寸結(jié)構(gòu)，計算其電磁光譜響應(yīng)，另一方面是逆問題，即給定理想的電磁光譜響應(yīng)，計算對應(yīng)的器件尺寸結(jié)構(gòu)。[0003]在求解逆問題上，由于亞波長光學(xué)器件涉及光學(xué)、物理學(xué)和材料學(xué)等多個交叉學(xué)科，在設(shè)計器件時需要掌握復(fù)雜的底層原理，這在很大程度上依賴于納米光子學(xué)研究人員的豐富經(jīng)驗。除此之外，由于解空間是非凸的，也就是說存在許多局部最優(yōu)解，因此多數(shù)情況下解不能直接求出，其求解過程非常具有挑戰(zhàn)性，大大限制了光學(xué)器件設(shè)計的推廣。神經(jīng)網(wǎng)絡(luò)具有模擬非線性物理關(guān)系的能力，因此為解決光子系統(tǒng)幾何及其電磁光譜響應(yīng)之間的關(guān)系，提供了解決思路。雖然神經(jīng)網(wǎng)絡(luò)在亞波長光學(xué)器件設(shè)計上已有應(yīng)用，但因為一般的神經(jīng)網(wǎng)絡(luò)需要上萬的數(shù)據(jù)集去訓(xùn)練，在實際應(yīng)用中需要花費很多資源。除此之外，已有神經(jīng)網(wǎng)絡(luò)沒有將器件結(jié)構(gòu)和電磁光譜響應(yīng)同時考慮，魯棒性較差。[0004]因此，如何提供一種解決上述技術(shù)問題的方案是本領(lǐng)域技術(shù)人員目前需要解決的問題。發(fā)明內(nèi)容[0005]本申請的目的是提供一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法、系統(tǒng)、裝置及計算機可讀存儲介質(zhì)，能夠優(yōu)化生成的器件參數(shù)，使其接近真實參數(shù)，同時生成對抗網(wǎng)絡(luò)所需訓(xùn)練數(shù)據(jù)集小，節(jié)省了硬件資源，提高了神經(jīng)網(wǎng)絡(luò)的魯棒性，同時還能夠優(yōu)化生成的器件性能，在輸入為期望的目標(biāo)電磁光譜響應(yīng)下，輸出性能較高的器件參數(shù)。[0006]為解決上述技術(shù)問題，本申請?zhí)峁┝艘环N基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法，神經(jīng)網(wǎng)絡(luò)包括逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)，該器件參數(shù)獲取方法包括：[0007]利用所述逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)，所述目標(biāo)需求包括目標(biāo)電磁光譜響[0008]將所述器件參數(shù)和真實樣本輸入所述判別網(wǎng)絡(luò)，并使所述判別網(wǎng)絡(luò)使用所述器件參數(shù)和所述真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于所述第一調(diào)整參數(shù)對所述逆網(wǎng)絡(luò)和所述判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作，直至利用所述逆網(wǎng)絡(luò)根據(jù)所述目標(biāo)電磁光譜響應(yīng)生成的所述器件參數(shù)滿足真實條件；[0009]將滿足所述真實條件的所述器件參數(shù)輸入所述前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)，當(dāng)所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹配時，輸出所述逆網(wǎng)絡(luò)生成的所述器件參數(shù)。5[0010]可選的，所述目標(biāo)需求為包括所述目標(biāo)電磁光譜響應(yīng)、目標(biāo)入射角、目標(biāo)器件材料折射率及模擬隨機噪聲的一維向量。[0011]可選的，所述利用所述逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)的過程包括：[0012]將所述目標(biāo)需求輸入所述逆網(wǎng)絡(luò)，使所述逆網(wǎng)絡(luò)基于所述目標(biāo)需求得到重構(gòu)參數(shù)，對所述重構(gòu)參數(shù)進(jìn)行特征提取生成器件參數(shù)。[0013]可選的，所述逆網(wǎng)絡(luò)包括轉(zhuǎn)置卷積層和編碼解碼模塊；[0014]所述將所述目標(biāo)需求輸入所述逆網(wǎng)絡(luò)，使所述逆網(wǎng)絡(luò)基于所述目標(biāo)需求得到重構(gòu)參數(shù)，對所述重構(gòu)參數(shù)進(jìn)行特征提取生成器件參數(shù)的過程包括：[0015]將所述目標(biāo)需求輸入所述逆網(wǎng)絡(luò)；[0016]通過所述轉(zhuǎn)置卷積層基于所述目標(biāo)需求進(jìn)行上采樣得到重構(gòu)參數(shù)；[0017]通過所述編碼解碼模塊從所述重構(gòu)參數(shù)中提取特征參數(shù)，利用所述特征參數(shù)生成器件參數(shù)。[0018]可選的，所述使所述判別網(wǎng)絡(luò)使用所述器件參數(shù)和所述真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于所述第一調(diào)整參數(shù)對所述逆網(wǎng)絡(luò)和所述判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作的過程包括：[0019]使所述判別網(wǎng)絡(luò)使用所述器件參數(shù)和所述真實樣本進(jìn)行對抗訓(xùn)練，得到所述器件參數(shù)為真實參數(shù)的概率；[0020]判斷所述概率是否為目標(biāo)值；[0021]若否，獲取第一調(diào)整參數(shù)，并基于所述第一調(diào)整參數(shù)對所述逆網(wǎng)絡(luò)和所述判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作；[0022]若是，判定利用所述逆網(wǎng)絡(luò)根據(jù)所述目標(biāo)電磁光譜響應(yīng)生成的所述器件參數(shù)滿足真實條件。[0023]可選的，所述將滿足所述真實條件的所述器件參數(shù)輸入所述前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)之后，該器件參數(shù)獲取方法還包括：[0024]獲取所述實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)之間的損失函數(shù)；[0025]當(dāng)所述損失函數(shù)收斂，判定所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹[0026]可選的，所述獲取所述實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)之間的損失函數(shù)之[0027]當(dāng)所述損失函數(shù)未收斂，獲取第二調(diào)整參數(shù)；[0028]基于所述第二調(diào)整參數(shù)對所述逆網(wǎng)絡(luò)和所述前向預(yù)測網(wǎng)絡(luò)進(jìn)行第二參數(shù)更新操作，直至所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹配。[0029]可選的，所述前向預(yù)測網(wǎng)絡(luò)和所述判別網(wǎng)絡(luò)均包括BN層。[0030]為解決上述技術(shù)問題，本申請還提供了一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取系統(tǒng)，神經(jīng)網(wǎng)絡(luò)包括逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)，該器件參數(shù)獲取系統(tǒng)包括：[0031]第一處理模塊，用于利用所述逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)，所述目標(biāo)需求包括目標(biāo)電磁光譜響應(yīng)；[0032]調(diào)整模塊，用于將所述器件參數(shù)和真實樣本輸入所述判別網(wǎng)絡(luò)，并使所述判別網(wǎng)絡(luò)使用所述器件參數(shù)和所述真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于所述第一調(diào)整6參數(shù)對所述逆網(wǎng)絡(luò)和所述判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作，直至利用所述逆網(wǎng)絡(luò)根據(jù)所述目標(biāo)電磁光譜響應(yīng)生成的所述器件參數(shù)滿足真實條件；[0033]第二處理模塊，用于將滿足所述真實條件的所述器件參數(shù)輸入所述前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)，當(dāng)所述實際電磁光譜響應(yīng)和所述目標(biāo)電磁光譜響應(yīng)匹配時，輸出所述逆網(wǎng)絡(luò)生成的所述器件參數(shù)。[0034]為解決上述技術(shù)問題，本申請還提供了一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取裝置，包括：[0035]存儲器，用于存儲計算機程序；[0036]處理器，用于執(zhí)行所述計算機程序時實現(xiàn)如上文任意一項所述的基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法的步驟。[0037]為解決上述技術(shù)問題，本申請還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上文任意一項所述的基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法的步驟。[0038]本申請?zhí)峁┝艘环N基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法，通過逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)構(gòu)成的神經(jīng)網(wǎng)絡(luò)為目標(biāo)電磁光譜響應(yīng)優(yōu)化出對應(yīng)的器件參數(shù)，本申請中將逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)結(jié)合對抗訓(xùn)練，優(yōu)化生成的器件參數(shù)，使其接近真實參數(shù)，同時生成對抗網(wǎng)絡(luò)所需訓(xùn)練數(shù)據(jù)集小，節(jié)省了硬件資源，提高了神經(jīng)網(wǎng)絡(luò)的魯棒性，再將逆網(wǎng)絡(luò)生成的滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)，實現(xiàn)逆網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)結(jié)合訓(xùn)練，當(dāng)實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配時，再輸出逆網(wǎng)絡(luò)生成的器件參數(shù)，優(yōu)化生成的器件性能，在輸入為期望的目標(biāo)電磁光譜響應(yīng)下，輸出性能較高的器件參數(shù)。本申請還提供了一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取系統(tǒng)、裝置及計算機可讀存儲介質(zhì)，具有和上述器件參數(shù)獲取方法相同的有益效果。附圖說明[0039]為了更清楚地說明本申請實施例，下面將對實施例中所需要使用的附圖做簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0040]圖1為本申請所提供的一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法的步驟流程圖；[0041]圖2為本申請所提供的一種神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；[0042]圖3為本申請所提供的一種編碼解碼過程的示意圖；[0043]圖4為本申請所提供的一種判別網(wǎng)絡(luò)訓(xùn)練流程圖；[0044]圖5為本申請所提供的一種聯(lián)合網(wǎng)絡(luò)訓(xùn)練流程圖；[0045]圖6為本申請所提供的一種數(shù)據(jù)集建立流程圖；[0046]圖7為本申請所提供的一種亞波長金屬線柵截面圖；[0047]圖8為本申請所提供的六種參考亞波長金屬線柵樣式示意圖；[0048]圖9為本申請所提供的一種前向預(yù)測網(wǎng)絡(luò)預(yù)訓(xùn)練流程圖；[0049]圖10為本申請所提供的一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取結(jié)構(gòu)的結(jié)構(gòu)示意圖；[0050]圖11為本申請所提供的一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取裝置的結(jié)構(gòu)示意圖；[0051]圖12為本申請所提供的另一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取裝置的結(jié)構(gòu)示意圖。7具體實施方式[0052]本申請的核心是提供一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法、系統(tǒng)、裝置及計算機可讀存儲介質(zhì)，能夠優(yōu)化生成的器件參數(shù)，使其接近真實參數(shù)，同時生成對抗網(wǎng)絡(luò)所需訓(xùn)練數(shù)據(jù)集小，節(jié)省了硬件資源，提高了神經(jīng)網(wǎng)絡(luò)的魯棒性，同時還能夠優(yōu)化生成的器件性能，在輸入為期望的目標(biāo)電磁光譜響應(yīng)下，輸出性能較高的器件參數(shù)。[0053]為使本申請實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本申請實施例中的附圖，對本申請實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本申請一部分實施例，而不是全部的實施例?；诒旧暾堉械膶嵤├绢I(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。[0054]請參照圖1,圖1為本申請所提供的一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法的步驟流程圖，首先對本申請所提供的神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹，該神經(jīng)網(wǎng)絡(luò)包括逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)及前向預(yù)測網(wǎng)絡(luò)，本申請中的器件參數(shù)具體可以指光學(xué)器件參數(shù)，該基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法包括：[0055]S101:利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)，目標(biāo)需求包括目標(biāo)電磁光譜響應(yīng)；[0056]作為一種可選的實施例，利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)的過程包括：將目標(biāo)需求輸入逆網(wǎng)絡(luò)，使逆網(wǎng)絡(luò)基于目標(biāo)需求得到重構(gòu)參數(shù)，對重構(gòu)參數(shù)進(jìn)行特征提取生成器件參數(shù)。編碼解碼模塊中包括編碼器和解碼器，逆網(wǎng)絡(luò)還包括輸出層。其中，逆網(wǎng)絡(luò)的輸入層用于接收目標(biāo)需求，目標(biāo)需求包括但不限于由目標(biāo)電磁光譜響應(yīng)、目標(biāo)入射角、目標(biāo)器件材料折射率及模擬隨機噪聲組成的一維向量，該一維向量可以采用matlab軟件生成?？梢岳斫獾氖?，在逆網(wǎng)絡(luò)中加入模擬隨機噪聲生成全尺寸圖像，可以模擬實際制作過程中，器件受工藝條件和環(huán)境擾動等因素造成的制造誤差，這樣使得網(wǎng)絡(luò)輸出的器件魯棒性更強。逆網(wǎng)絡(luò)的全連接層的層數(shù)和器件的復(fù)雜度相關(guān)，如果設(shè)計的器件結(jié)構(gòu)越復(fù)雜，則需要越多的參數(shù)去擬合，對應(yīng)的全連接層數(shù)也相應(yīng)增加，一般為1～4層。輸入層經(jīng)過全連接層后，連接轉(zhuǎn)置卷積層，其中轉(zhuǎn)置卷積的卷積核數(shù)為1,表示輸出為灰度圖片，具體的，轉(zhuǎn)置卷積層基于輸入層的目標(biāo)需求進(jìn)行上采樣得到重構(gòu)參數(shù)，編碼解碼模塊從重構(gòu)參數(shù)中提取特征參數(shù)，利用特征參數(shù)生成器件參數(shù)，將器件結(jié)構(gòu)的高維離散數(shù)據(jù)轉(zhuǎn)換為低維數(shù)據(jù)，從而使得網(wǎng)絡(luò)在訓(xùn)練過程中學(xué)習(xí)到器件的大規(guī)模拓?fù)涮卣鳎梢岳斫獾氖?，通過編碼解碼模塊不但從整體上提高了網(wǎng)絡(luò)訓(xùn)練過程的準(zhǔn)確性，還以較低的空間分辨率進(jìn)行訓(xùn)練從而大幅降低計算成本，輸出層用于輸出基于該目標(biāo)需求生成的器件參數(shù)，器件參數(shù)具體可以包括器件結(jié)構(gòu)圖像。[0058]具體的，編碼解碼模塊包括編碼器和解碼器，其中，編碼器是一個神經(jīng)網(wǎng)絡(luò)，其輸表示z和重構(gòu)x。編碼解碼模塊通過多次訓(xùn)練迭代優(yōu)化過程將原始x和重構(gòu)×之間的差異最小化，因此，編碼解碼模塊為數(shù)據(jù)x創(chuàng)建了瓶頸，確保只有信息的主要結(jié)構(gòu)化部分可以被編碼器通過并被解碼器重構(gòu)，從而實現(xiàn)對重構(gòu)參數(shù)的特征提取得到特征參數(shù)，接著由輸出層輸出器件的最終結(jié)構(gòu)圖像。[0059]具體的，逆網(wǎng)絡(luò)能在幾秒鐘內(nèi)生成數(shù)千個器件，因此可以在較低的計算成本下，使8用訓(xùn)練好的逆網(wǎng)絡(luò)制作大型數(shù)據(jù)集，以生成不同器件參數(shù)。[0060]S102:將器件參數(shù)和真實樣本輸入判別網(wǎng)絡(luò)，并使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作，直至利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)電磁光譜響應(yīng)生成的器件參數(shù)滿足真實條件；[0061]具體的，同樣參照圖2,判別網(wǎng)絡(luò)具體包括一個卷積層、一個BN層、兩個全連接層以及輸出層，最后一個全連接層的神經(jīng)元個數(shù)為1,輸出一個二分類結(jié)果。判別網(wǎng)絡(luò)使用真實樣本和逆網(wǎng)絡(luò)生成的器件參數(shù)作為假樣本共同進(jìn)行訓(xùn)練，在訓(xùn)練過程中盡量使真實樣本的輸出結(jié)果為1,逆網(wǎng)絡(luò)生成的假樣本的輸出結(jié)果為0。經(jīng)過多輪訓(xùn)練后，最終生成分布和真實分布重合，從而使判別模型無法區(qū)分真實圖像和逆網(wǎng)絡(luò)生成的器件圖像，進(jìn)而使逆網(wǎng)絡(luò)生成的器件參數(shù)更加接近真實器件結(jié)構(gòu)，提升器件結(jié)構(gòu)的性能。[0062]作為一種可選的實施例，使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作的過程包括：使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練，得到器件參數(shù)為真實參數(shù)的概率；判斷概率是否為目標(biāo)值；若否，獲取第一調(diào)整參數(shù)，并基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作；若是，判定利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)電磁光譜響應(yīng)生成的器件參數(shù)滿足真實條件。[0063]具體的，請參照圖4,圖4為使用器件參數(shù)和真實樣本對判別網(wǎng)絡(luò)進(jìn)行對抗訓(xùn)練的流程圖，包括：將器件參數(shù)作為假樣本和真實樣本輸入判別網(wǎng)絡(luò)進(jìn)行訓(xùn)練，由判別網(wǎng)絡(luò)判斷輸入的是真實樣本還是假樣本，判斷輸入為真實樣本的概率是否為目標(biāo)值0.5,若否，得到第一調(diào)整參數(shù)進(jìn)行反向傳播梯度更新，對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的權(quán)重值進(jìn)行調(diào)整，直至逆網(wǎng)絡(luò)生成的器件參數(shù)滿足真實條件，即判別網(wǎng)絡(luò)判定輸入為真實樣本的概率為0.5,此時判定逆網(wǎng)絡(luò)輸出的器件參數(shù)接近器件真實結(jié)構(gòu)。[0064]S103:將滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)，當(dāng)實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配時，輸出逆網(wǎng)絡(luò)生成的器件參數(shù)。[0065]作為一種可選的實施例，將滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)之后，該器件參數(shù)獲取方法還包括：獲取實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)之間的損失函數(shù)；當(dāng)損失函數(shù)收斂，判定實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配；當(dāng)損失函數(shù)未收斂，獲取第二調(diào)整參數(shù)；基于第二調(diào)整參數(shù)對逆網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)進(jìn)行第二參數(shù)更新操作，直至實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配。[0066]具體的，當(dāng)逆網(wǎng)絡(luò)生成的器件結(jié)構(gòu)足夠真實之后，然后優(yōu)化生成器件的光譜性能，采用逆網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)進(jìn)行聯(lián)合訓(xùn)練，參照圖2所示，前向預(yù)測網(wǎng)絡(luò)包括輸入層、全連接層、BN層和輸出層，前向預(yù)測網(wǎng)絡(luò)中加入BN層可以加速收斂，與逆網(wǎng)絡(luò)結(jié)合可以解決逆問題的一對多問題。逆網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)的聯(lián)合訓(xùn)練流程如圖5所示，將逆網(wǎng)絡(luò)的輸出層作為前向網(wǎng)絡(luò)的輸入層，考慮到光學(xué)器件設(shè)計的逆運算存在一對多問題，因此通過求解前向預(yù)測網(wǎng)絡(luò)輸出的實際電磁光譜響應(yīng)和輸入逆網(wǎng)絡(luò)的目標(biāo)電磁光譜響應(yīng)之間的損失函數(shù)來完成反向傳播更新梯度，經(jīng)過多次迭代后，逆網(wǎng)絡(luò)得到的器件結(jié)構(gòu)其光譜響應(yīng)會得到較大[0067]參照上文所述，在對判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)進(jìn)行訓(xùn)練時，需要用到真實樣本，基于此，本申請還包括預(yù)先構(gòu)建數(shù)據(jù)集以提供判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)需要的真實樣本的操9[0068]具體的，可以采用COMSOL軟件構(gòu)建數(shù)據(jù)集，用以訓(xùn)練前向預(yù)測網(wǎng)絡(luò)和判別網(wǎng)絡(luò)，采用COMSOL軟件構(gòu)建數(shù)據(jù)集的過程參照圖6所示，首先確定器件結(jié)構(gòu)參數(shù)及各器件結(jié)構(gòu)參數(shù)繪制二值圖像表征器件結(jié)構(gòu)，再通過COMSOL仿真軟件對各表征器件結(jié)構(gòu)的二值圖像進(jìn)行仿真得到對應(yīng)的電磁光譜響應(yīng)。[0069]以器件為亞波長金屬線柵為例，器件結(jié)構(gòu)包括基底和金屬線柵，如圖7所示，圖8為六種參考亞波長金屬線柵樣式，COMSOL仿真軟件需要輸入的必要器件結(jié)構(gòu)參數(shù)包括但不限及空氣等介質(zhì)的材料折射率等額外參數(shù)，輸出參數(shù)為對應(yīng)波段的電磁響應(yīng)，例如反射率譜、透過率譜或者偏振消光比曲線等光學(xué)響應(yīng)。關(guān)于輸入的器件結(jié)構(gòu)參數(shù)：金屬線柵的曲率r∈(0,180°),增量為5°,一共36個變量；金屬線柵旋轉(zhuǎn)角R∈(0,180°),增量為5°,一共36個變量；金屬線柵占空比f∈(0,1),增量為0.1,一共8個變量；金屬線柵厚度h根據(jù)工藝條件等一般在[20,200nm],增量為20nm,一共10個變量；周期需要亞波長條件為d<(λ/5)。根據(jù)上面或1,代表有無金屬。65°],增量5°。再根據(jù)每個波長和角度對，使用不同的結(jié)構(gòu)參數(shù)的電磁光譜響應(yīng)。最后根據(jù)需求設(shè)定響應(yīng)閾值，高于閾值為優(yōu)質(zhì)器件，低于閾值的器件則舍[0071]最終采用COMSOL生成的高質(zhì)量的訓(xùn)練集，該訓(xùn)練集由3000張圖像組成，用于前向預(yù)測網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的訓(xùn)練，這個初始訓(xùn)練集比傳統(tǒng)機器視覺應(yīng)用中使用的訓(xùn)練集要小幾個數(shù)量級。[0072]請參照圖9所示，圖9為前向預(yù)測網(wǎng)絡(luò)的預(yù)訓(xùn)練流程，該預(yù)訓(xùn)練過程為正常的神經(jīng)接層和輸出層?？梢岳斫獾氖牵尤隑N層可以加快網(wǎng)絡(luò)迭代速率，從根本上講，BN層是對不同樣本的同一特征做歸一化。設(shè)輸入為B={x?…m},學(xué)習(xí)的超參數(shù)為γ和β,輸出為y=[0073]均值mean:[0075]歸一化Normalize:[0076]縮放平移Scaleandshift:y,[0077]輸出層代表生成的電磁光譜響應(yīng)，輸出層的節(jié)點個數(shù)代表將給定波段光譜圖離散利用前向預(yù)測網(wǎng)絡(luò)輸出的實際光譜響應(yīng)和COMSOL仿真得到的光譜響應(yīng)之間的損失函數(shù)完成反向傳播更新梯度，其中損失函數(shù)可以采用交叉熵?fù)p失函數(shù)(cross-entropylossfunction),具體計算公式為：[0079]L(y,y)=-ylog(y)[0081]綜上所述，本申請所提出的一種基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法，改進(jìn)的神經(jīng)網(wǎng)絡(luò)包括逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)，可以為特定電磁光譜響應(yīng)優(yōu)化出對應(yīng)的器件結(jié)構(gòu)，通過將逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)結(jié)合，可快速生成較大訓(xùn)練集，可優(yōu)化生成的器件圖像，使其結(jié)構(gòu)更接近真實圖像，提升器件的可靠性和魯棒性，同時在逆網(wǎng)絡(luò)中加入編碼解碼模塊，獲取器件的大規(guī)模拓?fù)涮卣鳎瑥恼w上提高了網(wǎng)絡(luò)訓(xùn)練過程的準(zhǔn)確性，并且以較低的空間分辨率進(jìn)行訓(xùn)練可以大幅降低計算成本。采用加入BN層的判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)，加快網(wǎng)絡(luò)收斂速度，再將訓(xùn)練后的逆網(wǎng)絡(luò)與前向預(yù)測網(wǎng)絡(luò)結(jié)合，在提升網(wǎng)絡(luò)輸出器件性能的基礎(chǔ)上，解決逆運算的一對多問題。最終所發(fā)明的神經(jīng)網(wǎng)絡(luò)可以在輸入為期望的電磁光譜響應(yīng)下，輸出性能較高的器件參數(shù)。采用本申請的方案有利于解決亞波長光學(xué)器件設(shè)計逆問題的推廣，并且在訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行微調(diào)，執(zhí)行光學(xué)器件設(shè)計的推斷任務(wù)，可以大大提升亞波長器件的設(shè)計效率。除此之外，本發(fā)明提出的方法對其它亞波長[0082]請參照圖10,圖10為本申請所提供的一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取系統(tǒng)的結(jié)構(gòu)示意圖，神經(jīng)網(wǎng)絡(luò)包括逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)，該器件參數(shù)[0083]第一處理模塊11,用于利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)，目標(biāo)需求包括目標(biāo)電磁光譜響應(yīng)；[0084]調(diào)整模塊12,用于將器件參數(shù)和真實樣本輸入判別網(wǎng)絡(luò)，并使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作，直至利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)電磁光譜響應(yīng)生成的器件參數(shù)滿足真實[0085]第二處理模塊13,用于將滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)，當(dāng)實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配時，輸出逆網(wǎng)絡(luò)生成的器件參[0086]可見，本實施例中，通過逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)構(gòu)成的神經(jīng)網(wǎng)絡(luò)為目標(biāo)電磁光譜響應(yīng)優(yōu)化出對應(yīng)的器件參數(shù)，本申請中將逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)結(jié)合對抗訓(xùn)練，優(yōu)化生成的器件參數(shù)，使其接近真實參數(shù)，同時生成對抗網(wǎng)絡(luò)所需訓(xùn)練數(shù)據(jù)集小，節(jié)省了硬件資源，提高了神經(jīng)網(wǎng)絡(luò)的魯棒性，再將逆網(wǎng)絡(luò)生成的滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)，實現(xiàn)逆網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)結(jié)合訓(xùn)練，當(dāng)實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配時，再輸出逆網(wǎng)絡(luò)生成的器件參數(shù)，優(yōu)化生成的器件性能，在輸入為期望的目標(biāo)電磁光譜響應(yīng)下，輸出性能較高的器件參數(shù)。[0087]作為一種可選的實施例，目標(biāo)需求為包括目標(biāo)電磁光譜響應(yīng)、目標(biāo)入射角、目標(biāo)器件材料折射率及模擬隨機噪聲的一維向量。[0088]作為一種可選的實施例，利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)的過程包括：[0089]將目標(biāo)需求輸入逆網(wǎng)絡(luò)，使逆網(wǎng)絡(luò)基于目標(biāo)需求得到重構(gòu)參數(shù)，對重構(gòu)參數(shù)進(jìn)行特征提取生成器件參數(shù)。11[0090]作為一種可選的實施例，逆網(wǎng)絡(luò)包括轉(zhuǎn)置卷積層和編碼解碼模塊；[0091]將目標(biāo)需求輸入逆網(wǎng)絡(luò)，使逆網(wǎng)絡(luò)基于目標(biāo)需求得到重構(gòu)參數(shù)，對重構(gòu)參數(shù)進(jìn)行特征提取生成器件參數(shù)的過程包括：[0092]將目標(biāo)需求輸入逆網(wǎng)絡(luò)；[0093]通過轉(zhuǎn)置卷積層基于目標(biāo)需求進(jìn)行上采樣得到重構(gòu)參數(shù)；[0094]通過編碼解碼模塊從重構(gòu)參數(shù)中提取特征參數(shù)，利用特征參數(shù)生成器件參數(shù)。[0095]作為一種可選的實施例，使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作的過程包[0096]使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練，得到器件參數(shù)為真實參數(shù)的概率；[0097]判斷概率是否為目標(biāo)值；[0098]若否，獲取第一調(diào)整參數(shù)，并基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作；[0099]若是，判定利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)電磁光譜響應(yīng)生成的器件參數(shù)滿足真實條件。[0100]作為一種可選的實施例，將滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)之后，該器件參數(shù)獲取系統(tǒng)還包括：[0101]獲取模塊，用于獲取實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)之間的損失函數(shù)；[0102]第二處理模塊13,還用于當(dāng)損失函數(shù)收斂，判定實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配。[0103]作為一種可選的實施例，第二處理模塊13還用于：[0104]獲取實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)之間的損失函數(shù)之后，若損失函數(shù)未收斂，獲取第二調(diào)整參數(shù)；基于第二調(diào)整參數(shù)對逆網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)進(jìn)行第二參數(shù)更新操作，直至實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配。[0105]作為一種可選的實施例，前向預(yù)測網(wǎng)絡(luò)和判別網(wǎng)絡(luò)均包括BN層。[0106]請參照圖11,圖11為本申請所提供的一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取裝置的結(jié)構(gòu)示意圖，該器件參數(shù)獲取裝置包括：[0107]存儲器21,用于存儲計算機程序；[0108]處理器22,用于執(zhí)行計算機程序時實現(xiàn)如上文任意一個實施例所描述的基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法的步驟。[0109]具體的，存儲器21包括非易失性存儲介質(zhì)、內(nèi)存儲器21。該非易失性存儲介質(zhì)存儲有操作系統(tǒng)和計算機可讀指令，該內(nèi)存儲器21為非易失性存儲介質(zhì)中的操作系統(tǒng)和計算機可讀指令的運行提供環(huán)境。處理器22執(zhí)行存儲器21中保存的計算機程序時，可以實現(xiàn)以下步驟：利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)，目標(biāo)需求包括目標(biāo)電磁光譜響應(yīng)；將器件參數(shù)和真實樣本輸入判別網(wǎng)絡(luò)，并使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作，直至利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)電磁光譜響應(yīng)生成的器件參數(shù)滿足真實條件；將滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)，當(dāng)實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配時，輸出逆網(wǎng)絡(luò)生成的器件參數(shù)。[0110]可見，本實施例中，通過逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)構(gòu)成的神經(jīng)網(wǎng)絡(luò)為目標(biāo)電磁光譜響應(yīng)優(yōu)化出對應(yīng)的器件參數(shù)，本申請中將逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)結(jié)合對抗訓(xùn)練，優(yōu)化生成的器件參數(shù)，使其接近真實參數(shù)，同時生成對抗網(wǎng)絡(luò)所需訓(xùn)練數(shù)據(jù)集小，節(jié)省了硬件資源，提高了神經(jīng)網(wǎng)絡(luò)的魯棒性，再將逆網(wǎng)絡(luò)生成的滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)，實現(xiàn)逆網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)結(jié)合訓(xùn)練，當(dāng)實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配時，再輸出逆網(wǎng)絡(luò)生成的器件參數(shù)，優(yōu)化生成的器件性能，在輸入為期望的目標(biāo)電磁光譜[0111]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現(xiàn)以下步驟：將目標(biāo)需求輸入逆網(wǎng)絡(luò)，使逆網(wǎng)絡(luò)基于目標(biāo)需求得到重構(gòu)參數(shù)，對重構(gòu)參數(shù)進(jìn)行特征提取生成器件參數(shù)。[0112]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現(xiàn)以下步驟：將目標(biāo)需求輸入逆網(wǎng)絡(luò)；通過轉(zhuǎn)置卷積層基于目標(biāo)需求進(jìn)行上采樣得到重構(gòu)參數(shù)；通過編碼解碼模塊從重構(gòu)參數(shù)中提取特征參數(shù)，利用特征參數(shù)生成器件參數(shù)。[0113]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現(xiàn)以下步驟：使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練，得到器件參數(shù)為真實參數(shù)的概率；判斷概率是否為目標(biāo)值；若否，獲取第一調(diào)整參數(shù)，并基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作；若是，判定利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)電磁光譜響應(yīng)生成的器件參數(shù)滿足真實條件。[0114]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現(xiàn)以下步驟：獲取實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)之間的損失函數(shù)；當(dāng)損失函數(shù)收斂，判定實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配。[0115]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現(xiàn)以下步驟：當(dāng)損失函數(shù)未收斂，獲取第二調(diào)整參數(shù)；基于第二調(diào)整參數(shù)對逆網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)進(jìn)行第二參數(shù)更新操作，直至實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配。[0116]在上述實施例的基礎(chǔ)上，作為優(yōu)選實施方式，參見圖12,圖12為本申請實施例提供的另一種基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取裝置的結(jié)構(gòu)示意圖，該基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取裝置還包括：[0117]輸入接口23,與處理器22相連，用于獲取外部導(dǎo)入的計算機程序、參數(shù)和指令，經(jīng)處理器22控制保存至存儲器21中。該輸入接口23可以與輸入裝置相連，接收用戶手動輸入的參數(shù)或指令。該輸入裝置可以是顯示屏上覆蓋的觸摸層，也可以是終端外殼上設(shè)置的按[0118]顯示單元24,與處理器22相連，用于顯示處理器22發(fā)送的數(shù)據(jù)。該顯示單元24可以為液晶顯示屏或者電子墨水顯示屏等。[0119]網(wǎng)絡(luò)端口25,與處理器22相連，用于與外部各終端設(shè)備進(jìn)行通信連接。該通信連接所采用的通信技術(shù)可以為有線通信技術(shù)或無線通信技術(shù)，如移動高清鏈接技術(shù)(MHL)、通用[0120]另一方面，本申請還提供了一種計算機可讀存儲介質(zhì)，計算機可讀存儲介質(zhì)上存儲有計算機程序，計算機程序被處理器執(zhí)行時實現(xiàn)如上文任意一個實施例所描述的基于神經(jīng)網(wǎng)絡(luò)的器件參數(shù)獲取方法的步驟。[0121]具體的，本申請還提供了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)可以包括：U盤、移動硬盤、只讀存儲器(Read-OnlyMemory,ROM)、隨機存取存儲器(AccessMemory,RAM)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。該存儲介質(zhì)上存儲有計算機程序，計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)需求生成器件參數(shù)，目標(biāo)需求包括目標(biāo)電磁光譜響應(yīng)；將器件參數(shù)和真實樣本輸入判別網(wǎng)絡(luò)，并使判別網(wǎng)絡(luò)使用器件參數(shù)和真實樣本進(jìn)行對抗訓(xùn)練得到第一調(diào)整參數(shù)，基于第一調(diào)整參數(shù)對逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)進(jìn)行第一參數(shù)更新操作，直至利用逆網(wǎng)絡(luò)根據(jù)目標(biāo)電磁光譜響應(yīng)生成的器件參數(shù)滿足真實條件；將滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)得到實際電磁光譜響應(yīng)，當(dāng)實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配時，輸出逆網(wǎng)絡(luò)生成的器件參數(shù)。[0122]可見，本實施例中，通過逆網(wǎng)絡(luò)、判別網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)構(gòu)成的神經(jīng)網(wǎng)絡(luò)為目標(biāo)電磁光譜響應(yīng)優(yōu)化出對應(yīng)的器件參數(shù)，本申請中將逆網(wǎng)絡(luò)和判別網(wǎng)絡(luò)結(jié)合對抗訓(xùn)練，優(yōu)化生成的器件參數(shù)，使其接近真實參數(shù)，同時生成對抗網(wǎng)絡(luò)所需訓(xùn)練數(shù)據(jù)集小，節(jié)省了硬件資源，提高了神經(jīng)網(wǎng)絡(luò)的魯棒性，再將逆網(wǎng)絡(luò)生成的滿足真實條件的器件參數(shù)輸入前向預(yù)測網(wǎng)絡(luò)，實現(xiàn)逆網(wǎng)絡(luò)和前向預(yù)測網(wǎng)絡(luò)結(jié)合訓(xùn)練，當(dāng)實際電磁光譜響應(yīng)和目標(biāo)電磁光譜響應(yīng)匹配時，再輸出逆網(wǎng)絡(luò)生成的器件參數(shù)，優(yōu)化生成的器件性能，在輸入為期望的目標(biāo)電磁光譜[0123]作為一種可選的實施例，計算機可讀存儲介質(zhì)中存儲的計算機子程序被處理器執(zhí)行時，具體可以實現(xiàn)以下步驟：將目標(biāo)需求輸入逆網(wǎng)絡(luò)，使逆網(wǎng)絡(luò)基于目標(biāo)需求得到重構(gòu)參數(shù)，對重構(gòu)參數(shù)進(jìn)行