【技术实现步骤摘要】
本专利技术涉及自由空间光通信，特别涉及一种基于ccnn算法的ao系统夏克哈特曼传感器优化方法。
技术介绍
1、自由空间光通信(free space optical communication，fsoc)是一种以激光为载体，大气为信道的无线通信方式。fsoc具有较高的保密性，强大的抗电磁干扰能力，更高的信道利用率与更快的传输速率等优点，是无线通信领域重要的研究热点之一。fsoc系统在星地通信、星间通信、边防海防、“最后一公里”、紧急救灾通信等军事民事领域应用广泛。
2、目前，在fsoc系统中，相较于采用强度调制/直接探测方式的传统fsoc系统，相干fsoc(coherent free space optical communication,cfsoc)系统因其具有调制方式灵活、探测灵敏度高以及信道选择性好等优势，已经成为fsoc领域中广泛研究和应用的技术之一。然而，当激光信号经过大气通道传输时，会受到大气湍流的影响而导致光束产生波前像差、发散、漂移等现象，最终导致fsoc的混频效率(mixing efficiency,me)降低，误码率(bit error rate，ber)上升，通信性能明显下降。
3、自适应光学(ao)系统被应用在fsoc系统的接收端进行实时校正大气湍流造成的影响。典型的ao系统包含波前传感器、波前控制器和波前校正器三部分。其中，波前传感器负责实时探测动态的入射光波前畸变信息；波前控制器负责根据波前畸变信息定量计算出控制信号，并驱动被控光学能动元件产生共辄相位以补偿波前畸变；波前校正器则
技术实现思路
1、本专利技术要解决现有技术中的夏克哈特曼传感器光斑质心定位方法存在着质心定位精度较低以及重构效果较差的技术问题，提供一种基于ccnn算法的ao系统夏克哈特曼传感器优化方法。
2、为了解决上述技术问题，本专利技术的技术方案具体如下：
3、一种基于ccnn算法的ao系统夏克哈特曼传感器优化方法，包括以下步骤：
4、步骤1：将ccnn算法作为shwfs光斑质心预测算法；
5、步骤2：将性能优化后的shwfs应用到ao系统，来校正fsoc系统由大气湍流干扰产生的波前像差。
6、在上述技术方案中，步骤1具体为：利用卷积层提取图像特征，学习到的特征作为输入进入全连接层，网络输出预测光斑质心坐标。
7、在上述技术方案中，步骤1中具体为：在保角映射部分，对传统光斑itra上采样随后共形映射生成icon；在卷积神经网络部分，将生成的icon输入到网络中预测光斑质心坐标。
8、在上述技术方案中，步骤1具体为：
9、将平面γ1上的网格(x1,y1)通过函数f映射到平面γ2上的网格(x2,y2)：
10、x2+jy2＝f(x1+jy1)
11、为了共形映射光斑的强度场i0(x1,y1)，将映射函数f定义为：
12、
13、f(·)将圆弧ab映射成直线a'b'；(x1,y1)为以光轴为原点的光斑坐标，
14、(x2,y2)为映射坐标；共形映射的光斑图表示如下：
15、icon(x2,y2)＝i0(exp(x2)cosy2,exp(x2)siny2)
16、为了使共形映射的光斑图对计算机可读，将icon离散成icon：
17、
18、icon＝(m,n)＝i0(ξ'm,n,η'm,n),m＝1,...,m,n＝1,...,n.
19、其中，fov是聚焦物镜的成像视场，(ξ'm,n,η'm,n)表示共形映射的网格采样，ξ'm,n表示映射后的实部，η'm,n表示映射后的虚部，m和n分别表示了被采样图长和高的采样点最大值，m表示从1到m的采样点(m＝1,2,...m)，n表示从1到n的采样点(n＝1,2,...n)，re(·)表示对复数取实部，im(·)表示对复数取虚部，j为复数用指数函数表示时的标识，无实际指代含义；传统光斑itra通过均匀网格直接从i0采样：
20、
21、itra(m,n)＝i0(ξm,n,ηm,n),m＝1,...,m,n＝1,...,n.
22、其中，(ξm,n,ηm,n)表示传统均匀网格采样，ξm,n和ηm,n分别指采样的横纵坐标，m和n分别表示了被采样图长和高的采样点最大值，m表示从1到m的采样点(m＝1,2,...m)，n表示从1到n的采样点(n＝1,2,...n)。
23、在上述技术方案中，步骤2之后还设有步骤：通过仿真实验验证算法的可行性。
24、在上述技术方案中，通过仿真实验验证算法的可行性的步骤，具体为：
25、使用波前均方根rms来描述光学系统的光束质量：
26、
27、其中，表示光束的相位，<·>表示数学期望；
28、混频效率me的表达式为：
29、
30、式中，as和ao分别代表信号光和本振光的幅值，表示信号光与本振光的相位差，∫s·ds为积分符号，进行积分运算，cos(·)为三角函数运算；
31、误码率ber的表达式为：
32、
33、式中，δ表示接收端光子探测器的量子效率，np表示单比特光子数，me表示混频效率。
34、本专利技术具有以下有益效果：
35、本专利技术的基于ccnn算法的ao系统夏克哈特曼传感器优化方法，使用光斑质心位置预测精度更高的ccnn算法应用到fsoc系统中。仿真结果表明，该算法使得夏克哈特曼传感器拥有更优的波前重构能力，提高了fsoc系统的混频效率并降低了误码率。
36、本专利技术的基于ccnn算法的ao系统夏克哈特曼传感器优化方法，引入ccnn算法作为shwfs的质心预测算法，利用ccn本文档来自技高网...
【技术保护点】
1.一种基于CCNN算法的AO系统夏克哈特曼传感器优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于CCNN算法的AO系统夏克哈特曼传感器优化方法，其特征在于，步骤1具体为：利用卷积层提取图像特征，学习到的特征作为输入进入全连接层，网络输出预测光斑质心坐标。
3.根据权利要求1所述的基于CCNN算法的AO系统夏克哈特曼传感器优化方法，其特征在于，步骤1中具体为：在保角映射部分，对传统光斑Itra上采样随后共形映射生成Icon；在卷积神经网络部分，将生成的Icon输入到网络中预测光斑质心坐标。
4.根据权利要求1所述的基于CCNN算法的AO系统夏克哈特曼传感器优化方法，其特征在于，步骤1具体为：
5.根据权利要求1-4中的任意一项所述的基于CCNN算法的AO系统夏克哈特曼传感器优化方法，其特征在于，步骤2之后还设有步骤：通过仿真实验验证算法的可行性。
6.根据权利要求5所述的基于CCNN算法的AO系统夏克哈特曼传感器优化方法，其特征在于，通过仿真实验验证算法的可行性的步骤，具体为：
【技术特征摘要】
1.一种基于ccnn算法的ao系统夏克哈特曼传感器优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于ccnn算法的ao系统夏克哈特曼传感器优化方法，其特征在于，步骤1具体为：利用卷积层提取图像特征，学习到的特征作为输入进入全连接层，网络输出预测光斑质心坐标。
3.根据权利要求1所述的基于ccnn算法的ao系统夏克哈特曼传感器优化方法，其特征在于，步骤1中具体为：在保角映射部分，对传统光斑itra上采样随后共形映射生成icon；在卷积神经网络...
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。