1.一种基于神经网络及宽带滤波调制的分光方法，包括如下步骤：(1)设计一组n A 个作用于n λ 个波段的光谱透过率不同的调制片，并将其制作成滤镜，将这些滤镜安装在n A 个相应的探测器上，组成探测器阵列；(2)用探测器阵列分别探测m个已知入射光源，得到m个光谱经过各个滤镜调制后的数据矩阵 并将m个已知入射光源光谱向量I (1) ,I (2) ,...,I (m) 按照与滤镜调制后的数据矩阵 相同的顺序排列成光谱矩阵 (3)对滤镜调制后的数据矩阵 进行归一化预处理，得到预处理后的数据矩阵F；(4)将预处理后的数据矩阵F作为训练的输入数据和将光谱矩阵 作为训练标签，共同传入神经网络进行有监督训练，得到训练好的模型；(5)用探测器阵列探测未知光源，得到未知光源经n A 个滤镜调制后的探测数据 并对 进行归一化预处理，得到预处理后的未知光源探测数据向量F test ，再将预处理后的未知光源探测数据向量F test 传入到训练好的模型，计算得到未知光源的光谱数据I test ，实现分光。
2.根据权利要求1所述的方法，其中(1)中设计一组n A 个作用于n λ 个波段的光谱透过率不同的调制片，并将其制作成滤镜，其实现如下：(1a)生成一个n λ 个谱段都为0的初始透过率向量A init ；(1b)生成3到12范围内的随机数p作为高斯峰的个数，生成p个2到22范围内的随机数σ 1 ,σ 2 ,...,σ p ，并在应用的波段中采用随机抽取不放回的方式生成p个位置；(1c)在初始透过率向量A init 的p个位置上分别加上标准差为随机数σ 1 ,σ 2 ,...,σ p 的高斯峰，得到处理后的透过率向量A，将其线性缩放到0.1到1之间，得到第一个设计好的调制片透过率向量a (1) ；(1d)重复(1a)到(1c)操作，生成n A 个设计好的调制片的透过率向量 (1e)应用微纳结构技术，依照n A 个设计好的调制片的透过率向量 制作n A 个滤镜。
3.根据权利要求1所述的方法，其中(2)中用探测器阵列分别探测m个已知入射光源，得到m个光谱经过各个滤镜调制后的数据矩阵 其实现如下：(2a)第i个已知光源的光谱数据经探测器阵列中n A 个滤镜分别调制，得到第i个光源光谱数据I (i) 经n A 个滤镜调制后的探测数据 其中i＝1,2,...,m；(2b)将第i个已知光源光谱经过n A 个滤镜调制后的探测数据 组成第i个光谱经探测器阵列调制后的探测数据向量 (2c)将m个光谱经探测器矩阵调制的探测数据向量F (1) ,F (2) ,...,F (m) ，按如下公式排列，得到m个光谱经过各个滤镜调制后的数据矩阵
4.根据权利要求1所述的方法，其中(3)中对滤镜调制后的数据矩阵 进行归一化预处理，得到预处理后的数据矩阵F，按如下步骤进行：(3a)将n λ 个波段光谱数据全为1的光谱I 1 经n A 个滤镜调制，得到I 1 经n A 个滤镜调制的探测数据 (3b)按如下公式，对滤镜调制后的数据矩阵 进行最大最小值归一化处理，得到预处理后的数据矩阵F：其中，j＝1,2,...,n A ， 为滤镜调制后的数据矩阵 中的第j列。
5.根据权利要求1所述的方法，其中所述步骤(4)按如下步骤进行：(4a)按如下公式建立一个由隐藏层和输出层两层结构的神经网络模型：H＝tanh(X·W (1) +b (1) )，I p ＝H·W (2) +b (2) ，其中，H表示隐藏层的输出结果，X表示神经网络接收的训练的输入数据，I p 表示经神经网络计算的输出数据；W (1) 为输入与隐藏层之间的权重矩阵，其维度为n A ×N，N为隐藏层的神经元个数；W (2) 为隐藏层与输出层之间的权重矩阵，其维度为N×n λ ；b (1) 为隐藏层的偏置值，b (2) 为输出层的偏置值，tanh(·)为双曲正切函数；(4b)用截断的正太分布随机初始化(4a)中的两个权重矩阵W (1) 、W (2) 和两个偏置值b (1) 、b (2) ；(4c)用预处理后的数据矩阵F作为训练的输入数据，输入到(4a)构建的神经网络模型的X中，得到经神经网络计算的输出数据I p ；(4d)用传入的光谱矩阵 按如下公式，计算代价函数J：其中，i＝1,2,...,m， 表示经神经网络计算的输出数据I p 的第i行， 表示传入的光谱矩阵 的第i行，||·|| 2 表示2范数；(4e)使用学习率为0.001的Adam优化算法对代价函数J进行最小化优化，以更新两个权重矩阵W (1) 、W (2) 和两个偏置值b (1) 和b (2) ；(4f)重复(4c)到(4e)操作，直至代价函数J小于0.002，得到输入与隐藏层之间训练好的权重矩阵θ (1) 、隐藏层与输出层之间训练好的权重矩阵θ (2) 、隐藏层训练好的偏置值B (1) 和输出层训练好的偏置值B (2) ；(4g)用训练好的权重矩阵θ (1) 、θ (2) 分别替换神经网络模型中的W (1) 、W (2) ，用训练好的偏置值B (1) 、B (2) 替换神经网络模型中的b (1) 、b (2) ，得到如下训练好的神经网络模型：L＝tanh(Y·θ (1) +B (1) )，I＝L·θ (2) +B (2) ，其中，L表示训练好的神经网络模型中隐藏层的输出结果，Y表示训练好的神经网络模型接收的输入数据，I表示接收的输入数据Y经训练好的神经网络模型计算的输出结果。
6.根据权利要求1所述的方法，所述步骤(5)得到预处理后的未知光源探测数据向量F test ，表示如下：其中， 为未知光源经n A 个滤镜调制后的数据， 为I 1 经n A 个滤镜调制后的探测数据。
