一种基于图神经网络的Zernike系数波前预测算法制造技术

本发明专利技术公开了一种基于图神经网络的Zernike系数波前预测算法，通过构建图神经网络模型，建立时序Zernike数据集并对网络进行训练，在降低计算量的同时，准确高效地对自适应光学系统校正时刻的Zernike系数进行预测。该方法不需要建立湍流时变的数学物理模型，计算迅速，不需迭代，降低环境对装置的影响，提高自适应光学系统在极弱照度和极远深空的湍流校正能力。校正能力。校正能力。

【技术实现步骤摘要】
一种基于图神经网络的Zernike系数波前预测算法


[0001]本专利技术属于自适应光学领域，涉及预测自适应光学技术。

技术介绍

[0002]对于目前的自适应光学系统，波前传感与波前校正之间约有2～3个采样周期的时间延迟。预测自适应光学技术是一种结合波前预测的自适应光学技术。在整个预测自适应光学系统中，波前传感器探测到一段时间内湍流畸变信息，波前预测算法利用这种过去的波前信息预测未来2～3个采样周期后的湍流畸变波前。预测的波前被加载在变形镜上，完成对大气湍流的校正。现有的波前预测算法主要分为3类。第一类是基于线性算子的波前预测方法，这一方法并没有考虑湍流演化的时空耦合特征，预测精度有限。第二类是基于控制算法，这一类方法没有利用湍流演化的物理特征，需要反复迭代。第三类是基于深度学习算法，这一类方法也没有将湍流演化的物体特征考虑进去，计算量大，影响自适应光学系统的实时性。

技术实现思路

[0003]为了克服现有技术的不足，本专利技术提供一种基于图神经网络的Zernike系数波前预测算法。该波前预测算法利用一段时间内的Zernike系数，预测波前校正时刻的Zernike系数。相对于现有深度学习波前预测方法，本专利技术计算量小，预测精度高，为预测自适应光学系统提供一条新的技术路线，有利于保证自适应光学系统在极远距离和极端大气湍流环境的探测有效性。
[0004]本专利技术解决其技术问题所采用的技术方案包括以下步骤：
[0005]S1.获取大气湍流的Zernike系数数据，标记为Zi，i＝1,2,3,4
…
T，T为所获取的时序Zernike系数的最大帧数；相邻两项Zernike系数之间的时间间隔相等；
[0006]S2.将T帧大气湍流Zernike系数处理成N份等长的大气湍流Zernike系数数据，每一份数据均包括大气湍流Zernike系数序列ZN＝{Zt
‑
n+1,
…
,Zt}和校正时刻大气湍流Zernike系数Zt+r，其中n为输入大气湍流Zernike系数序列长度常量，t表示大气湍流Zernike系数的时刻，r为湍流探测与湍流校正之间的时间延迟；
[0007]S3.建立图神经网络模型，初始化网络模型参数，将大气湍流Zernike系数序列ZN作为网络的输入，大气湍流Zernike系数Zt+r作为网络的黄金标准，计算网络的输出与黄金标准的损失函数值，并将损失函数值的梯度反向传播以更新网络模型的参数，直至损失函数值小于设定条件，则停止更新网络模型参数，得到训练完备的神经网络Trained_GPnet；
[0008]S4.实测一段长度为n的大气湍流Zernike系数序列Z'N＝{Z'1,
…
,Z'n}作为Trained_GPnet的输入，预估得到校正时刻的大气湍流Zernike系数Z'n+r。
[0009]所述的神经网络模型采用图神经网络模型；所述的图神经网络模型是任何用于具有图学习层，图卷积层的图神经网络模型；所述的图学习层用于学习Zernike系数的邻接矩阵。
[0010]所述的数据N的最大取值为T
‑
n+1后向下取整。
[0011]所述的输入大气湍流Zernike系数序列长度常量n的大于10。
[0012]所述的损失函数选用MSE损失函数，与之对应的网络模型参数停止更新的设定条件为MSE损失函数值小于0.002；所述的损失函数选用MSE损失函数，与之对应的网络模型参数停止更新的设定条件为MSE损失函数值小于0.002。
[0013]本专利技术的有益效果是：只需一组已知时段Zernike系数即可预测校正时刻的Zernike系数，预测准确快速。本专利技术不需要使用复杂的湍流信息，利用Zernike系数预测可以大大减少预测自适应光学算法的计算量，降低了硬件系统的时间花销，满足自适应光学系统的实时性要求。本专利技术所采用的图神经神经网络结构简单，可以自动学习Zernike系数的邻接矩阵。
附图说明
[0014]图1为本专利技术实施例1的方法流程图；
[0015]图中，实线部分为训练阶段，虚线部分为测试阶段；
[0016]图2为实施例1中使用的图神经网络(GPnet)的结构图；
[0017]图3为实施例1中一种基于图神经网络的Zernike系数波前预测算法数据采集的光路图；
[0018]图中，1
‑
激光器，2
‑
准直透镜，3
‑
大气湍流池，4
‑
成像透镜，5
‑
Shack
‑
Hartmann波前传感器；
具体实施方式
[0019]下面结合附图和实施例对本专利技术进一步说明，本专利技术包括但不仅限于下述实施例。
[0020]本专利技术的实施例1提供一种基于深度学习的大气湍流相位时空预估算法，如图1所示，包括训练和预估两个阶段，分为如下步骤：
[0021]a.训练阶段的步骤为：
[0022]S1.获取大气湍流的Zernike系数数据，标记为Zi，i＝1,2,3,4
…
T，T为所获取的时序Zernike系数的最大帧数；相邻两项Zernike系数之间的时间间隔相等；
[0023]S2.将T帧大气湍流Zernike系数处理成N份等长的大气湍流Zernike系数数据，每一份数据均包括大气湍流Zernike系数序列ZN＝{Zt
‑
n+1,
…
,Zt}和校正时刻大气湍流Zernike系数Zt+r，其中n为输入大气湍流Zernike系数序列长度常量，t表示大气湍流Zernike系数的时刻，r为湍流探测与湍流校正之间的时间延迟；
[0024]S3.建立图神经网络模型，初始化网络模型参数，将大气湍流Zernike系数序列ZN作为网络的输入，大气湍流Zernike系数Zt+r作为网络的黄金标准，计算网络的输出与黄金标准的损失函数值，并将损失函数值的梯度反向传播以更新网络模型的参数，直至损失函数值小于设定条件，则停止更新网络模型参数，得到训练完备的神经网络Trained_GPnet；
[0025]b.预估阶段的步骤为：
[0026]S4.实测一段长度为n的大气湍流Zernike系数序列Z'N＝{Z'1,
…
,Z'n}作为Trained_GPnet的输入，预估得到校正时刻的大气湍流Zernike系数Z'n+r。
[0027]所述的神经网络模型采用图神经网络模型；所述的图神经网络模型是任何用于具有图学习层，图卷积层的图神经网络模型；所述的图学习层用于学习Zernike系数的邻接矩阵。
[0028]所述的数据N的最大取值为T
‑
n+1后向下取整。
[0029]所述的输入大气湍流Zernike系数序列长度常量n的大于10。
[0030]所述的损失函数选用MSE损失函数，与之对应的网络模型参数停止更新的设定条件为MSE本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的Zernike系数波前预测算法，其特征在于，包括以下步骤：S1.获取大气湍流的Zernike系数数据，标记为Zi，i＝1,2,3,4
…
T，T为所获取的时序Zernike系数的最大帧数；相邻两项Zernike系数之间的时间间隔相等；S2.将T帧大气湍流Zernike系数处理成N份等长的大气湍流Zernike系数数据，每一份数据均包括大气湍流Zernike系数序列ZN＝{Zt
‑
n+1,
…
,Zt}和校正时刻大气湍流Zernike系数Zt+r，其中n为输入大气湍流Zernike系数序列长度常量，t表示大气湍流Zernike系数的时刻，r为湍流探测与湍流校正之间的时间延迟；S3.建立图神经网络模型，初始化网络模型参数，将大气湍流Zernike系数序列ZN作为网络的输入，大气湍流Zernike系数Zt+r作为网络的黄金标准，计算网络的输出与黄金标准的损失函数值，并将损失函数值的梯度反向传播以更新网络模型的参数，直至损失函数值小于设定条件，则停止更新网络模型参数，得到训练完备的神经网络Trained_GPnet；S4.实测一段长度为n的...

【专利技术属性】
技术研发人员：吴计，杨宗翰，邸江磊，赵建林，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：