论文部分内容阅读
在当今的大数据时代,人们的生活方式发生了翻天覆地的变化,同时人们周围的信息和数据也呈现出爆发式增长。在这样的时代背景下,研究工作者们致力于探究快速、高效且精确的信息处理方式。基于人脑对外来输入信息的处理模式,人工神经网络(Artificial Neural Networks,ANNs)在语音识别、手写数字识别、人脸识别和混沌时间序列预测等高复杂度任务上体现出高精确度高效率的优势从而在人工智能领域大放异彩。作为一种新型的基于递归神经网络(Recurrent Neural Networks,RNNs)的算法,储备池计算(Reservoir Computing,RC)凭借其训练过程简单等特点引发研究人员的广泛关注。目前,为了节约成本,更便于RC系统的实际应用,大量研究报告主要涉及到基于单个非线性节点加延迟反馈环结构的延迟型储备池计算(Delay-based Reservoir Computing,Delay-based RC)。特别地,由于具有较高的驰豫振荡频率,利用光反馈半导体激光器(Semiconductor Laser,SL)作为非线性节点来搭建RC系统能更快速地处理信息,备受人们青睐。时至今日,大量报道都只涉及RC系统的单任务处理,而在当今的大数据时代,具有并行信息处理能力的RC系统可能拥有更大的应用前景,值得进一步探究。因此,基于垂直腔面发射激光器(Vertical-Cavity Surface-Emitting Laser,VCSEL)输出光的偏振特性,本论文提出了一种能同时处理两个不同任务的RC系统方案并对该RC系统的并行信息处理性能进行了探究。该方案利用双光反馈和光注入同时扰动下的VCSEL作为RC系统的非线性节点,借助VCSEL的X偏振分量的动力学响应和Y偏振分量的动力学响应分别处理Santa-Fe时间序列预测任务和波形识别任务。考虑到两路反馈环中每一路反馈都可能采用偏振保持光反馈(Polarization-preserved Optical Feedback,PP-OF)和偏振旋转光反馈(Polarization-rotated Optical Feedback,PR-OF)两种反馈类型,本论文理论探究了四种不同的反馈组合情况下所提出的RC系统的并行信息处理能力。模拟结果表明:RC系统的并行处理能力与双光反馈的组合情况有关,通过综合评估不同双光反馈组合情况下RC系统对两个任务的并行处理表现,可以发现:当两路光反馈同时采用PP-OF反馈类型时,提出的RC系统能获得最好的并行信息处理表现。经过参数的优化,提出的RC系统能分别实现最低为0.0289的混沌时间序列预测误差和最低为2.78×10-5的波形识别误差。