【技术实现步骤摘要】
本专利技术涉及人工智能领域，尤其涉及一种超脉冲掺铥激光器的性能检测方法及装置。
技术介绍
1、超脉冲掺铥激光器是一种在激光
应用广泛的装置，通常用于激光雷达、激光通信、医学激光和科学研究等领域。这类激光器通常具有高能量、短脉冲宽度和较窄的光谱带宽，使其在各种应用中具有独特的优势。然而，超脉冲掺铥激光器的性能会受到多种因素的影响，包括环境变化、器件老化、光学元件的不均匀性等。因此，对其性能进行准确、及时的检测和监测变得至关重要。性能检测有助于及早发现潜在问题，进行预防性维护，提高激光器的稳定性和可靠性。
2、在传统的激光器性能检测中，通常使用一些传感器获取原始数据，然后通过统计学和数学建模等方法进行分析。然而，由于激光器系统的复杂性和非线性特性，单一的检测方法无法全面地揭示激光器的性能状况，即现有方案的准确率低。
技术实现思路
1、本专利技术提供了一种超脉冲掺铥激光器的性能检测方法及装置，用于提高超脉冲掺铥激光器的性能检测准确率。
2、本专利技术第一方面提供了一种超脉冲掺铥激光器的性能检测方法，所述超脉冲掺铥激光器的性能检测方法包括：
3、对超脉冲掺铥激光器进行性能测试，得到初始性能测试数据，并对所述初始性能测试数据进行预处理，得到目标性能测试数据；
4、将所述目标性能测试数据输入预置的目标高斯混合模型进行性能参数分组和数据分布分析，得到多个性能参数高斯分布；
5、对所述多个性能参数高斯分布进行参数分布特征提取和特征转
6、将所述目标性能特征数据集输入预置的极限学习机模型进行激光器性能检测分析，输出目标性能检测结果。
7、结合第一方面，在本专利技术第一方面的第一种实现方式中，所述对超脉冲掺铥激光器进行性能测试，得到初始性能测试数据，并对所述初始性能测试数据进行预处理，得到目标性能测试数据，包括：
8、对超脉冲掺铥激光器进行性能测试，并通过预置的多通道传感器组获取所述超脉冲掺铥激光器的性能测试数据，得到对应的初始性能测试数据；
9、对所述初始性能测试数据进行激光器性能影响因素相关性分析，得到参数相关性分析结果；
10、根据所述参数相关性分析结果，对所述初始性能测试数据进行数据标准化处理，得到标准性能测试数据；
11、将所述标准性能测试数据输入预置的lstm神经网络进行参数时序关联，得到目标性能测试数据。
12、结合第一方面，在本专利技术第一方面的第二种实现方式中，所述将所述目标性能测试数据输入预置的目标高斯混合模型进行性能参数分组和数据分布分析，得到多个性能参数高斯分布，包括：
13、获取多个训练性能测试数据以及初始高斯混合模型，并根据所述多个训练性能测试数据对所述初始高斯混合模型进行模型参数优化，得到目标高斯混合模型；
14、通过所述目标高斯混合模型，对所述目标性能测试数据中的多个目标数据点进行性能参数分组，确定每个目标数据点对应的至少一个高斯分布；
15、根据每个目标数据点对应的至少一个高斯分布，通过预置的概率密度分布函数对所述目标性能测试数据进行概率密度分布映射，得到多个性能参数高斯分布。
16、结合第一方面，在本专利技术第一方面的第三种实现方式中，所述获取多个训练性能测试数据以及初始高斯混合模型，并根据所述多个训练性能测试数据对所述初始高斯混合模型进行模型参数优化，得到目标高斯混合模型，包括：
17、获取多个训练性能测试数据，并根据所述参数相关性分析结果计算所述多个训练性能测试数据的混合成分数量，并根据所述混合成分数量确定初始高斯混合模型中的高斯分布个数；
18、根据所述高斯分布个数确定对应的多个高斯分布，对所述多个训练性能测试数据中的每个训练数据点进行后验概率计算，得到后验概率数据；
19、根据所述后验概率数据，对所述多个训练性能测试数据中的每个训练数据点进行隐变量分析，得到隐变量数据；
20、根据所述隐变量数据对所述多个高斯分布进行参数更新，并通过预置的对数似然函数判断所述初始高斯混合模型是否收敛，若收敛，则输出对应的目标模型参数包括：均值、协方差矩阵和混合系数；
21、基于所述目标模型参数对所述初始高斯混合模型进行模型参数优化，生成目标高斯混合模型。
22、结合第一方面，在本专利技术第一方面的第四种实现方式中，所述对所述多个性能参数高斯分布进行参数分布特征提取和特征转换，得到目标性能特征数据集，包括：
23、分布对所述多个性能参数高斯分布进行参数分布特征提取，得到多个第一参数分布特征；
24、分布计算每个性能参数高斯分布的置信区间，并基于所述置信区间对所述多个第一参数分布特征进行特征校验，得到多个特征校验结果；
25、根据所述多个特征校验结果，对所述多个第一参数分布特征进行特征选择，得到多个第二参数分布特征；
26、通过预置的核主成分分析算法，对所述多个第二参数分布特征进行特征降维处理，得到目标性能特征数据集。
27、结合第一方面，在本专利技术第一方面的第五种实现方式中，所述通过预置的核主成分分析算法，对所述多个第二参数分布特征进行特征降维处理，得到目标性能特征数据集，包括：
28、基于预置的核主成分分析算法，对所述多个第二参数分布特征进行矩阵转换，得到初始特征矩阵，并通过预置的核函数对所述初始特征矩阵进行矩阵运算，得到对应的初始核矩阵；
29、对所述初始核矩阵进中心化处理，得到目标核矩阵，并对所述目标核矩阵进行特征值分解，得到对应的特征值以及特征向量；
30、根据所述特征值的大小选取对应的主成分，并根据所述主成分将所述多个第二参数分布特征映射到新的特征空间，得到目标性能特征数据集。
31、结合第一方面，在本专利技术第一方面的第六种实现方式中，所述将所述目标性能特征数据集输入预置的极限学习机模型进行激光器性能检测分析，输出目标性能检测结果，包括：
32、将所述目标性能特征数据集输入预置的极限学习机模型，其中，所述极限学习机模型包括：奇异谱分析网络以及极限学习机网络；
33、通过所述奇异谱分析网络对所述目标性能特征数据集进行数据集分解，得到多个性能特征子序列；
34、将所述多个性能特征子序列输入所述极限学习机网络进行性能检测分析，得到每个性能特征子序列对应的初始性能检测结果；
35、对每个性能特征子序列对应的初始性能检测结果进行加权融合，得到所述超脉冲掺铥激光器对应的目标性能检测结果。
36、本专利技术第二方面提供了一种超脉冲掺铥激光器的性能检测装置，所述超脉冲掺铥激光器的性能检测装置包括：
37、预处理模块，用于对超脉冲掺铥激光器进行性能测试，得到初始性能测试数据，并对所述初始性能测试数据进行预处理，得到目标性能测试数据；
38、分析模块，用于将所述目标性能本文档来自技高网...
【技术保护点】
1.一种超脉冲掺铥激光器的性能检测方法，其特征在于，所述超脉冲掺铥激光器的性能检测方法包括：
2.根据权利要求1所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述对超脉冲掺铥激光器进行性能测试，得到初始性能测试数据，并对所述初始性能测试数据进行预处理，得到目标性能测试数据，包括：
3.根据权利要求2所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述将所述目标性能测试数据输入预置的目标高斯混合模型进行性能参数分组和数据分布分析，得到多个性能参数高斯分布，包括：
4.根据权利要求3所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述获取多个训练性能测试数据以及初始高斯混合模型，并根据所述多个训练性能测试数据对所述初始高斯混合模型进行模型参数优化，得到目标高斯混合模型，包括：
5.根据权利要求1所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述对所述多个性能参数高斯分布进行参数分布特征提取和特征转换，得到目标性能特征数据集，包括：
6.根据权利要求5所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述通过预置的
7.根据权利要求1所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述将所述目标性能特征数据集输入预置的极限学习机模型进行激光器性能检测分析，输出目标性能检测结果，包括：
8.一种超脉冲掺铥激光器的性能检测装置，其特征在于，所述超脉冲掺铥激光器的性能检测装置包括：
9.一种超脉冲掺铥激光器的性能检测设备，其特征在于，所述超脉冲掺铥激光器的性能检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的超脉冲掺铥激光器的性能检测方法。
...【技术特征摘要】
1.一种超脉冲掺铥激光器的性能检测方法，其特征在于，所述超脉冲掺铥激光器的性能检测方法包括：
2.根据权利要求1所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述对超脉冲掺铥激光器进行性能测试，得到初始性能测试数据，并对所述初始性能测试数据进行预处理，得到目标性能测试数据，包括：
3.根据权利要求2所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述将所述目标性能测试数据输入预置的目标高斯混合模型进行性能参数分组和数据分布分析，得到多个性能参数高斯分布，包括：
4.根据权利要求3所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述获取多个训练性能测试数据以及初始高斯混合模型，并根据所述多个训练性能测试数据对所述初始高斯混合模型进行模型参数优化，得到目标高斯混合模型，包括：
5.根据权利要求1所述的超脉冲掺铥激光器的性能检测方法，其特征在于，所述对所述多个性能参数高斯分布进行参数分布特征提取...
【专利技术属性】
技术研发人员：韦博仁，梁瑶，徐剑秋，金鑫，陈智勇，邱武，邓小鸿，邹清红，雷亚康，
申请(专利权)人：中聚科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。