留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于LSTM的K2CsSb光阴极反射率预测模型

魏静雯 钱芸生 曹扬

魏静雯, 钱芸生, 曹扬. 基于LSTM的K2CsSb光阴极反射率预测模型[J]. 应用光学, 2022, 43(6): 1037-1043. doi: 10.5768/JAO202243.0604001
引用本文: 魏静雯, 钱芸生, 曹扬. 基于LSTM的K2CsSb光阴极反射率预测模型[J]. 应用光学, 2022, 43(6): 1037-1043. doi: 10.5768/JAO202243.0604001
WEI Jingwen, QIAN Yunsheng, CAO Yang. Prediction model of K2CsSb photocathode reflectivity based on LSTM[J]. Journal of Applied Optics, 2022, 43(6): 1037-1043. doi: 10.5768/JAO202243.0604001
Citation: WEI Jingwen, QIAN Yunsheng, CAO Yang. Prediction model of K2CsSb photocathode reflectivity based on LSTM[J]. Journal of Applied Optics, 2022, 43(6): 1037-1043. doi: 10.5768/JAO202243.0604001

基于LSTM的K2CsSb光阴极反射率预测模型

doi: 10.5768/JAO202243.0604001
基金项目: 国家重大科学仪器设备研制重点项目(2016YFF0100400)
详细信息
    作者简介:

    魏静雯(1998—),女,硕士研究生,主要从事微光探测器件及相关测试研究。E-mail:Lylawjw@163.com

    通讯作者:

    钱芸生(1968—),男,教授,博导,主要从事光电成像器件、系统与相关测试技术研究。Email:yshqian@njust.edu.cn

  • 中图分类号: TN206

Prediction model of K2CsSb photocathode reflectivity based on LSTM

  • 摘要: 针对目前K2CsSb光阴极制备过程中无法预判光阴极生长状态的问题,提出一种基于长短期记忆(LSTM)循环神经网络的K2CsSb光阴极反射率预测模型。一维原始反射率数据集经过清洗、筛选、序列化等预处理手段后重构为二维数据输入模型。为充分利用反射率数据在时序上高度相关的特性,采用双层LSTM网络提取特征,预测结果通过全连接层输出,以均方误差(MSE)作为模型预测效果的评判标准。实验结果表明,该模型的网络结构合理且在不同数据集下的表现良好,预测准确率可达99.21%。该模型可运用在K2CsSb光阴极的制作过程中,通过反射率预测值反馈调节工艺参数以趋近目标走势,对提高光阴极性能具有促进作用。
  • 图  1  K2CsSb光电阴极结构模型

    Fig.  1  Structure model of K2CsSb photocathode

    图  2  反射率预测模型结构图

    Fig.  2  Structure diagram of reflectivity prediction model

    图  3  数据集特征热力图

    Fig.  3  Thermodynamic diagram of dataset feature

    图  4  数据集序列化重构

    Fig.  4  Diagram of dataset serialization reconstruction

    图  5  LSTM计算原理及单元结构图

    Fig.  5  LSTM calculation principle and unit structure diagram

    图  6  反射率监控系统结构图

    Fig.  6  Structure diagram of reflectivity monitoring system

    图  7  序列长度与准确率和训练时间趋势图

    Fig.  7  Trend chart of sequence length, accuracy and training time

    图  8  LSTM网络不同层数下的损失值对比

    Fig.  8  Comparison of loss values under different layers of LSTM network

    图  9  不同数据集下模型预测效果对比

    Fig.  9  Comparison of model prediction effects under different datasets

    表  1  网络组成和参数量

    Table  1  Composition of network structure and the number of parameters

    网络层输出维度参数量
    输入层(None, 5, 5)0
    LSTM(None, 5, 10)640
    随机失活层(None, 5, 10)0
    LSTM(None, 10)840
    随机失活层(None, 10)0
    输出层(None, 1)11
    下载: 导出CSV

    表  2  实验模型参数

    Table  2  Parameters of experimental model

    主要参数参数值
    损失函数MSE
    学习率0.0003
    优化器Adam
    序列长度9
    网络层数2
    迭代次数100
    批处理大小/条32
    下载: 导出CSV

    表  3  序列长度对准确率和训练时间的影响

    Table  3  Effect of sequence length on accuracy and training time

    序列
    长度
    每轮训练
    时间/s
    准确率/%序列
    长度
    每轮训练
    时间/s
    准确率/%
    12.1398.421115.2198.45
    34.3698.631315.4698.26
    55.1299.211515.7998.91
    75.6398.821715.8698.99
    99.6299.011915.9898.43
    下载: 导出CSV

    表  4  网络层数对准确率和训练时间的影响

    Table  4  Effect of network layers on accuracy and training time

    BP神经网络LSTM网络
    网络
    层数
    每轮训练
    时间/s
    准确率/%网络
    层数
    每轮训练
    时间/s
    准确率/%
    12.1290.8913.2698.79
    24.5294.4525.1299.21
    35.8995.6936.6598.93
    下载: 导出CSV
  • [1] HIROYUKI S. Review of photo-sensor R&D for future water Cherenkov detectors: Report of the 12th International Workshop on Next generation Nucleon Decay and Neutrino Detectors[R]. Zurich, Switzerland: NNN11, 2010.
    [2] 常本康. 大面积MCP-PMT K2CsSb光电阴极理论与测控技术研究[J]. 红外技术,2013,35(8):455-462.

    CHANG Benkang. Theory and control technology of large area MCP-PMT K2 CsSb photocathode[J]. Infrared Technology,2013,35(8):455-462.
    [3] SMEDLEY J, RAO T, WANG Erdong. K2CsSb cathode development[J]. AIP Conference Proceedings,2009,1149(1):1062-1066.
    [4] DING Z, GAOWEI M, SINSHEIMER J, et al. In-situ synchrotron X-ray characterization of K2CsSb photocathode grown by ternary co-evaporation[J]. Journal of Applied Physics,2017,121(5):055305. doi: 10.1063/1.4975113
    [5] ZHANG Fan, LI Xiaoping, LI Xiaoshen. Development of preparation systems with K2 CsSb photocathodes and study on the preparation process[J]. Chinese Physics Letters,2019,36(2):022901. doi: 10.1088/0256-307X/36/2/022901
    [6] GHOSH C, VARMA B P. Preparation and study of properties of a few alkali antimonide photocathodes[J]. Journal of Applied Physics,1978,49(8):4549-4553. doi: 10.1063/1.325465
    [7] 谢华木, 王尔东. 作为加速器电子源的高量子效率K2CsSb光阴极制备工艺研究[J]. 真空,2017,54(1):63-66.

    XIE Huamu, WANG Erdong. Research on fabrication recipe of high quantum efficiency K2CsSb photocathode[J]. Vacuum,2017,54(1):63-66.
    [8] 刘如彪. 高性能光电阴极工艺监控技术研究[D]. 南京: 南京理工大学, 2008.

    LIU Rubiao. Research on monitor technique of technology about high performance photocathode[D]. Nanjing: Nanjing University of Science and Technology, 2008.
    [9] 李晓峰, 田金生, 钱芸生, 等. 多碱阴极光学反射率监控[J]. 红外技术,1997,19(4):39-42.

    LI Xiaofeng, TIAN Jinsheng, QIAN Yunsheng, et al. Reflectance monitoring on multialkali photocathode layer growth[J]. Infrared Technology,1997,19(4):39-42.
    [10] 孙建宁, 司曙光, 王兴超, 等. 一种利用反射率理论模型指导K2CsSb光电阴极的制备方法[J]. 红外技术,2017,39(12):1087-1091.

    SUN Jianning, SI Shuguang, WANG Xingchao, et al. Preparation method of K2CsSb photocathode using the reflectance theory model[J]. Infrared Technology,2017,39(12):1087-1091.
    [11] 陶兆民, 许汴生. 半透明Sb-K-Cs光电阴极的研制[J]. 中国科学技术大学学报,1966(1):90-92.

    TAO Zhaomin, XU Biansheng. Preparation of Translucent Sb-K-Cs Photocathode[J]. Journal of University of Science and Technology of China,1966(1):90-92.
    [12] JIN Muchun, CHANG Benkang, CHENG Hongchang, et al. Research on quantum efficiency of transmission-mode InGaAs photocathode[J]. Optik,2014,125(10):2395-2399. doi: 10.1016/j.ijleo.2013.10.086
    [13] MOTTA D, SCHÖNERT S. Optical properties of bialkali photocathodes[J]. Nuclear Instruments and Methods in Physics Research Section A:Accelerators, Spectrometers, Detectors and Associated Equipment,2005,539(1/2):217-235.
    [14] 田远洋, 徐显涛, 彭安帮, 等. 训练数据量对LSTM网络学习性能影响分析[J]. 水文,2022,42(1):29-34. doi: 10.19797/j.cnki.1000-0852.20210256

    TIAN Yuanyang, XU Xiantao, PENG Anbang, et al. Effects of training data on the study performance of LSTM network[J]. Journal of China Hydrology,2022,42(1):29-34. doi: 10.19797/j.cnki.1000-0852.20210256
    [15] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation,1997,9(8):1735-1780. doi: 10.1162/neco.1997.9.8.1735
    [16] 葛靖, 刘子龙. 基于CNN和LSTM的睡眠呼吸暂停检测算法[J]. 电子科技,2021,34(2):21-26. doi: 10.16180/j.cnki.issn1007-7820.2021.02.004

    GE Jing, LIU Zilong. The algorithm based on CNN and LSTM for sleep apnea syndrome detection[J]. Electronic Science and Technology,2021,34(2):21-26. doi: 10.16180/j.cnki.issn1007-7820.2021.02.004
  • 加载中
图(9) / 表(4)
计量
  • 文章访问数:  68
  • HTML全文浏览量:  28
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-08-08
  • 修回日期:  2022-09-06
  • 网络出版日期:  2022-09-16
  • 刊出日期:  2022-11-14

目录

    /

    返回文章
    返回