【技术实现步骤摘要】
本专利技术属于强场激光物理，具体涉及一种结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法。
技术介绍
1、近年来，激光技术发展迅猛，已与多个学科相结合形成多个应用
，比如光电技术，非线性光学，超快激光学，激光雷达，等等。这些交叉技术与新的学科的出现，大大地推动了传统产业和新兴产业的发展。追求强度高、频谱宽的强激光辐射，是目前人们正在极力研究开发的一个领域。
2、不同参数的激光组合在一起激发会产生不同能量值的光辐射，很多研究小组不断测试各个激光参数对光辐射能量的影响，很多研究小组研究了各个激光参数单独对光辐射能量的影响，但其最佳组合至今还未能被有效获得。目前，对光辐射的能量预测主要以计算为主，通过建立激光辐射数值模型，仿真计算可获得不同激光参数组合下的光辐射能量分布和演变规律，如要获得更加精确的光辐射能量分布，仿真的精度要特别高，而模型所计算的时间也将会随之成倍增加。
3、近年来，神经网络作为一种数据驱动的方法，已经成为光学问题的一种很有前途的解决方案。它可以通过表示和推广复杂函数或数据揭示大量变量之间的未知关系，并具有并行处理、鲁棒性、自适应性、自学习的特点，能够逼近任意的非线性系统的特性，无需了解系统的内部机理，只需通过对系统的输入输出数据，采用相应的网络结构并进行训练，就可得出良好的预测模型。目前，尚未见用神经网络对光辐射能量进行预测的研究报导。
4、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构
技术实现思路
1、本专利技术是为了解决上述问题而进行的，目的在于提供一种分析最佳激光参数组合产生强光辐射的方法，以解决传统激光辐射数值模型计算时间与精度相互制约的问题。此外，本方法涉及的光辐射范围广，可应用于紫外、可见、红外、太赫兹等多个波段，在光学应用领域具有高使用价值和广阔前景。
2、本专利技术提供了一种分析最佳激光参数组合产生强光辐射的方法，具有这样的特征，包括以下步骤：步骤s1，根据低精度步长，基于至少两种不同的激光参数进行组合得到多个参数组合，通过激光辐射数值模型计算出每个参数组合对应的光辐射能量，参数组合作为神经网络模型的输入参数，对应的光辐射能量作为神经网络模型的输出参数，一个输入参数与其对应的输出参数为一组对应数据，多组对应数据形成训练数据；步骤s2，将训练数据随机划分为训练集、验证集及测试集；步骤s3，构建神经网络模型；步骤s4，使用步骤s2中的训练集及验证集，训练至神经网络模型的回归系数r大于0.93，得到训练好的神经网络模型；步骤s5，根据高精度步长，使用训练好的神经网络模型得到最强光辐射能量从而得到产生对应的激光参数组合。
3、在本专利技术提供的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法中，还可以具有这样的特征：步骤s4包括如下子步骤：步骤s4-1，使用步骤s2中的训练集及验证集，训练至神经网络模型的回归系数r大于0.93；步骤s4-2，使用步骤s2中的测试集测试回归系数r大于0.93的神经网络模型，判断该神经网络模型的均方误差mse是否小于10-2，若均方误差mse小于10-2，则得到训练好的神经网络模型，然后进入步骤s5，若均方误差mse大于或等于10-2，则进入步骤s4-1。
4、在本专利技术提供的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法中，还可以具有这样的特征：其中，神经网络模型的输入层节点数与激光参数的数目相同，输出层节点数为1。
5、在本专利技术提供的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法中，还可以具有这样的特征：其中，神经网络模型中，输入层至隐含层传递函数及隐含层至输出层传递函数分别为logsig、tansig、purelin、hardlim、compet、satlin、softmax或radbas中的任意一种，训练函数为trainlm、traingd、traingda或traingdx中的任意一种，学习函数为learngdm或learngd。
6、在本专利技术提供的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法中，还可以具有这样的特征：其中，神经网络模型中，输入层至隐含层传递函数为logsig，隐含层至输出层传递函数为tansig，训练函数为trainlm，学习函数learngdm，网络迭代次数为1000，训练误差目标为1e-7，学习速率为0.01，最小确认失败次数为6。
7、在本专利技术提供的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法中，还可以具有这样的特征：其中，步骤s2，将训练数据随机划分为训练集、验证集及测试集，并对训练数据进行归一化处理；步骤s5中根据高精度步长，使用训练好的神经网络模型进行预测，并将预测结果反归一化，得到最强光辐射能量从而得到产生对应的激光参数组合，步骤s2中，归一化处理时采用的函数为mapminmax，具体为[inputn,inputps]＝mapminmax(input_train)；[outputn,outputps]＝mapminmax(output_train)。
8、在本专利技术提供的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法中，还可以具有这样的特征：其中，不同的激光参数为不同范围的同种激光参数或不同种类的激光参数，激光参数的种类为波长、相对相位、脉冲能量、拉丝长度、脉宽、激光能量比或激光光斑直径中的任意一种，激光为任意波长的光。
9、在本专利技术提供的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法中，还可以具有这样的特征：其中，基于至少两种不同的激光参数进行组合得到多个参数组合时，还基于环境参数进行组合得到参数组合。
10、在本专利技术提供的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法中，还可以具有这样的特征：其中，当激光参数为波长时，低精度步长为50nm-100nm，高精度步长为1nm-25nm。
11、在本专利技术提供的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法中，还可以具有这样的特征：其中，激光辐射模型得到的光辐射能量表达式为：
12、
13、式中，elaser为所产生的光辐射能量，filament为激发光产生的光丝，ωlaser为所产生的光辐射的频率，z为激发光束的传播轴，k为所产生的光辐射的波数，j为瞬态电流，为波矢的传播角度。
14、专利技术的作用与效果
15、本专利技术公开了结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，该方法采用低精度步长从激光参数中选取不同的数值进行组合，得到较少数目的参数组合，然后将这些参数组合分别使用激光辐射模型模拟得到相应的光辐本文档来自技高网...
【技术保护点】
1.一种分析最佳激光参数组合产生强光辐射的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
3.根据权利要求1所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
4.根据权利要求3所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
5.根据权利要求4所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
6.根据权利要求1所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
7.根据权利要求1所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
8.根据权利要求1所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
9.根据权利要求1所述的结合激光辐射数
10.根据权利要求1所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
...【技术特征摘要】
1.一种分析最佳激光参数组合产生强光辐射的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
3.根据权利要求1所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
4.根据权利要求3所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
5.根据权利要求4所述的结合激光辐射数值模型和神经网络算法分析最佳激光参数组合产生强光辐射的方法，其特征在于：
6.根据权利...
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。