一种基于深度学习的畸变波前预测方法技术

本发明专利技术公开了一种基于深度学习的畸变波前预测方法。自适应光学系统(AO)是一类能够实时补偿大气湍流畸变波前的伺服延迟系统，通常延迟时间为2～3个采样周期，波前预测技术可有效解决该时延问题，提高系统的控制性能。深度学习可自提取图像深层特征，可被用于拟合多帧历史波前信息到预测波前信息的映射；本发明专利技术在于充分发挥神经网络的非线性拟合能力，利用多帧连续畸变波前帧与帧之间存在的时序特征，采用残差学习的方式消除相邻两帧之间的冗余信息，然后融合精化处理后的特征，最后，再次通过融合各级特征得到最终预测结果用于实时校正，以降低AO系统在应对具有高时间频率的大气湍流畸变波前时的时延误差，提高控制性能。提高控制性能。提高控制性能。

【技术实现步骤摘要】
based on Zernike modal coefficients,Optik(2019))。畸变波前相位信息可较为直观地反映大气湍流的强弱程度，直接对波前数据进行预测，可有效避免上述问题。
[0005]因此，本专利技术提出一种基于深度学习的畸变波前预测方法。

技术实现思路

[0006]本专利技术解决的技术问题是：克服在校正具有高时间频率的大气湍流畸变波前的情况下，AO系统固有的时延误差造成变形镜上的补偿波前明显滞后于畸变波前变化的问题。本专利技术提供一种基于深度学习的畸变波前预测方法，利用神经网络的非线性拟合能力，采用残差学习的方式消除相邻两帧之间的冗余信息，然后将精化后的特征进行融合，最后，把各级特征再次通过融合得到最终预测结果，实现畸变波前的前向预测。
[0007]本专利技术的技术方案是：一种基于深度学习的畸变波前预测方法，通过以下步骤实现：
[0008]步骤S1：根据大气冻结理论，采用相位协方差函数仿真产生符合大气湍流统计分布规律的动态相位屏，模拟获得横向风下实际的畸变波前数据并收集该畸变波前数据；
[0009]步骤S2：对步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的畸变波前预测方法，其特征在于：该方法包括如下步骤：步骤S1：根据大气冻结理论，采用相位协方差函数仿真产生符合大气湍流统计分布规律的动态相位屏，模拟获得横向风下实际的畸变波前数据并收集该畸变波前数据；步骤S2：对步骤1中收集的畸变波前数据进行预处理，并将预处理后的数据分为样本集与标签集两组数据；步骤S3：配置深度学习环境，搭建预测模型的神经网络；步骤S4：抽取样本集与标签集中前80％的数据作为训练集，训练集中的数据满足样本与标签相对应，所述训练集用于供所述神经网络学习历史波前信息与预测波前信息的映射关系，抽取样本集与标签集中后续10％的数据作为验证集，用于调整所述神经网络的参数并验证该神经网络的有效性；步骤...

【专利技术属性】
技术研发人员：朱里程，王宁，马帅，葛欣兰，杨平，
申请(专利权)人：中国科学院光电技术研究所，
类型：发明
国别省市：