基于深度学习的光折变晶体高强度模式分类
摘要：建立一种新的方案对通过光在光折变SBN晶体中传播产生的高强度事件进行识别和分类。其中，这些事件是调制不稳定性发展的必然结果，包括散斑和类似孤子的模式。通常的基于统计测量的分类器，如显著强度，往往只对这些事件进行部分表征。在这里，我们尝试通过实现卷积神经网络方法来在实验数据之间建立光强分布和不同高强度变化的数值输出之间的关联。训练和测试集由实验获得的晶体输出面上的强度剖面和相应的数值剖面组成。散斑检测的准确率达到了100\%的最大值，而孤子和焦散检测的准确率在97\%以上。这些性能对于基于神经网络的波动介质中极端事件预测的创建是有希望的。
作者：Marija Ivanovic, Ana Mancic, Carla Herman-Avigliano, Ljupco Hadzievski, Aleksandra Maluckov
论文ID：2002.05827
分类：Pattern Formation and Solitons
分类简称：nlin.PS
提交时间：2020-04-22