一种基于深度学习的自适应光学波前预测与前馈校正方法技术

本发明专利技术公开了一种基于深度学习的自适应光学波前预测与前馈校正方法。首先利用一套像差模拟系统，可模拟生成具有不同时间和空间频率的大气湍流畸变波前，使得畸变光束首先经过哈特曼波前传感器1进行波前探测，再经过计算机搭载的神经网络模型进行波前的前向预测，最后将输出预测波前转换成控制电压加载到变形镜上，通过哈特曼波前传感器2进行校正性能分析，同时实现AO的波前预测与前馈校正。本发明专利技术采用神经网络预测加前馈校正的方式，利用实时探测的畸变波前开展前向预测，并将输出的预测波前转换成变形镜的校正面形，可以有效克服AO系统固有的控制时延问题；采用前馈校正的方式，可以有效简化网络预测模型，更利于实际系统中的部署应用。统中的部署应用。统中的部署应用。

【技术实现步骤摘要】
一种基于深度学习的自适应光学波前预测与前馈校正方法


[0001]本专利技术属于波前预测与校正控制
，涉及一种基于深度学习的自适应光学波前预测与前馈校正方法，适用于基于自适应光学的波前像差校正任务。

技术介绍

[0002]AO技术是一种能够实时补偿大气湍流的有效手段，然而实际的AO系统由于波前传感器读出数据延迟和处理机控制计算延迟等，通常存在2
‑
3个采样周期的时延。在校正具有高时间频率的大气湍流畸变波前的情况下，这种时延误差将造成变形镜上的补偿波前明显滞后于畸变波前的变化，严重限制AO技术的校正性能。
[0003]预测技术可以有效补偿该时延误差，尤其是基于神经网络类的方法已经表现出更大的优势(参见Guo Y,Zhong L,Min L,et al.Adaptive optics based on machine learning:a review[J].Opto
‑
Electronic Advances,2022:200082
‑1‑
200082
‑
20.)。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自适应光学波前预测与前馈校正方法，其特征在于：该方法包括如下步骤：步骤S1：根据大气冻结流假设，基于Kolmogorov湍流统计理论、HV
‑
57折射率结构常数模型和Buffton风速模型经过傅里叶级数方法时间演化仿真模拟获得大气湍流畸变波前；步骤S2：将模拟生成的固定时间频率的大气湍流畸变波前加载到像差模拟系统中，并采用基于固定采样帧频的哈特曼波前传感器1进行波前数据采集；步骤S3：对步骤S2中采集的波前数据进行预处理，并将处理好的数据按预测模型要求分为训练集与测试集两组，训练集数据通过事先搭建好的神经网络结构进行迭代再训练，使网络适应哈特曼波前传感器1重构后的波前特征信息；步骤S4：利用测试集数据进行预测模型测试，对输出的预测波前与待校正实际标签波前进行残差分析，根据残差分析结果选取最优模型，并将最优模型部署于控制器中；步骤S5：将网络模型输出的预测波前转换成控制电压加载到变形镜上产生校正面形，通过哈特曼波前传感器2观察校正残余波前，用于评估校正性能；步骤S6：模拟生成时间频率逐渐增大的大气湍流畸变波前加载到像差模拟系统中，开展波前预测与前馈校...

【专利技术属性】
技术研发人员：朱里程，王宁，杨平，高泽宇，葛欣兰，
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：