基于神经网络的原子重力仪干涉条纹优化方法与装置与流程

本发明属于量子精密测量，更具体地，涉及一种基于神经网络的原子重力仪干涉条纹优化方法与装置。

背景技术：

1、重力加速度作为地球物理学中的核心物理量，实现重力加速度的高精度测量在科学研究和实际应用中均具有重要意义。随着重力测量技术的迭代发展，原子重力仪凭借绝对测量特性、高灵敏度以及良好的长期稳定性，成为下一代高精度重力测量的核心设备，拥有广阔的应用前景。但是，开展实际测量工作时，原子重力仪不可避免地受到多种噪声源的干扰，噪声源包含反射镜振动、激光参数波动、外界磁场干扰等，其中，反射镜振动噪声对干涉条纹造成的影响最为突出。

2、传统方案针对原子重力仪干涉条纹的优化方式主要分为两类：第一类是依靠主被动隔振系统进行物理抑制，通过硬件手段降低噪声带来的干扰，但是，主被动隔振系统复杂度高、价格一般较为昂贵；第二类是利用采集的振动数据结合灵敏度函数开展算法补偿，但是，灵敏度函数只具备分段线性表达能力，仅能近似描述理想工况下振动与寄生相位的线性对应关系，无法拟合真实环境中振动传递的非线性效应。而且，上述两种方式均默认除反射镜振动之外的其余噪声已经降低至可以忽略的范围，仅校正反射镜振动噪声在干涉阶段引入的寄生相位，无法对其余噪声对应的寄生相位实现有效补偿，补偿效果有限，制约了原子重力仪的测量精度。

3、鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。

技术实现思路

1、本发明需要解决的问题为现有噪声补偿方案仅补偿反射镜振动引入的寄生相位，忽略激光波动、磁场干扰等其余噪声带来的寄生相位，致使原子重力仪测量精度受限。

2、第一方面，提供一种基于神经网络的原子重力仪干涉条纹优化方法，包括：

3、获取多个振动时序信号，采用多个振动时序信号对神经网络进行训练，得到预优化神经网络；其中，每一个振动时序信号对应一次原子干涉过程；

4、将振动时序信号输入至预优化神经网络，得到预测寄生相位；

5、获取与各个振动时序信号时序对齐的原始干涉信号，根据预测寄生相位对相应的原始干涉信号进行补偿，得到补偿干涉信号；

6、将可微分余弦拟合模块嵌入预优化神经网络，通过可微分余弦拟合模块对补偿干涉信号进行拟合得到补偿干涉条纹；

7、获取补偿干涉条纹所对应的拟合波形曲线与理想干涉条纹所对应的标准余弦曲线之间的波形差异，以最小化波形差异为目标对预优化神经网络进行优化，得到优化神经网络。

8、进一步地，获取补偿干涉条纹所对应的拟合波形曲线与理想干涉条纹所对应的标准余弦曲线之间的波形差异包括：

9、根据拟合波形曲线得到拟合波形参数；

10、根据标准余弦曲线得到标准波形参数；

11、根据拟合波形参数和标准波形参数确定总损失，根据总损失对预优化神经网络进行优化，得到优化神经网络。

12、进一步地，拟合波形参数包括拟合幅值和拟合相位，标准波形参数包括标准幅值和标准相位；根据拟合波形参数和标准波形参数确定总损失包括：

13、根据拟合幅值和拟合相位确定拟合相位不确定度；

14、根据标准幅值和标准相位确定标准相位不确定度；

15、根据拟合幅值和标准幅值得到幅值损失，根据拟合相位不确定度和标准相位不确定度得到相位不确定度损失；

16、将幅值损失和相位不确定度损失进行加权求和得到总损失。

17、进一步地，方法还包括：

18、采用第二损失函数确定总损失，第二损失函数的表达式为：

19、；

20、其中，为总损失，为第一超参数，为幅值损失，为第二超参数，为相位不确定度损失。

21、进一步地，获取多个振动时序信号包括：

22、在原子干涉之前，采集原子重力仪的振动信息，得到前向扩展振动信号；

23、原子干涉时，采集原子重力仪的振动信息，以得到中间振动信号；

24、在原子干涉之后，采集原子重力仪的振动信息，得到后向扩展振动信号；

25、按照时间顺序依次拼接前向扩展振动信号、中间振动信号和后向扩展振动信号，得到振动时序信号。

26、进一步地，采用多个振动时序信号对神经网络进行训练，得到预优化神经网络包括：

27、采用灵敏度函数求解振动时序信号所对应的理论寄生相位；

28、以理论寄生相位为监督标签、以多个振动时序信号作为输入，对神经网络进行训练，得到预优化神经网络。

29、进一步地，方法还包括：

30、采用第一损失函数训练神经网络，第一损失函数的表达式为：

31、；

32、其中，为第一损失；为第i个振动时序信号所对应的预测寄生相位；为第i个振动时序信号所对应的理论寄生相位；n为一轮训练所使用的振动时序信号的数量。

33、进一步地，将振动时序信号输入至预优化神经网络，包括：

34、对振动时序信号进行归一化处理后，再输入至预优化神经网络。

35、第二方面，提供一种基于神经网络的原子重力仪干涉条纹优化装置，包括至少一个处理器，以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被处理器执行，用于执行第一方面的基于神经网络的原子重力仪干涉条纹优化方法。

36、第三方面，本发明还提供了一种非易失性计算机存储介质，计算机存储介质存储有计算机可执行指令，当计算机程序指令由一个或多个处理器执行时，使得处理器执行第一方面的基于神经网络的原子重力仪干涉条纹优化方法。

37、第四方面，提供了一种芯片，包括：处理器和接口，用于从存储器中调用并运行存储器中存储的计算机程序，执行如第一方面的基于神经网络的原子重力仪干涉条纹优化方法。

38、第五方面，提供了一种包含指令的计算机程序产品，当该指令在计算机或处理器上运行时，使得计算机或处理器执行如第一方面的基于神经网络的原子重力仪干涉条纹优化方法。

39、第六方面，提供了一种基于神经网络的原子重力仪干涉条纹优化系统，包括如第二方面的基于神经网络的原子重力仪干涉条纹优化装置，并使用如第一方面的基于神经网络的原子重力仪干涉条纹优化方法。

40、区别于现有技术，本发明至少具有如下有益效果：

41、在本发明中，先对神经网络进行第一阶段的监督训练，初始化并稳定神经网络的参数，再以标准余弦曲线为学习目标进行第二阶段的优化训练，逐步调整网络参数，以使拟合波形曲线逼近标准余弦曲线，达到尽可能消除干扰的目的，最终得到优化神经网络。在实际使用中，直接采用优化神经网络对原子重力仪的干涉信号进行相位补偿，使得补偿后的干涉信号基本是无干扰的纯净信号，进而使得拟合出来的干涉条纹能够尽量与实际测量情况契合，达到优化干涉条纹的目的，从而提高原子重力仪的测量精度。

1.一种基于神经网络的原子重力仪干涉条纹优化方法，其特征在于，包括：

2.根据权利要求1所述的原子重力仪干涉条纹优化方法，其特征在于，所述获取所述补偿干涉条纹所对应的拟合波形曲线与理想干涉条纹所对应的标准余弦曲线之间的波形差异包括：

3.根据权利要求2所述的原子重力仪干涉条纹优化方法，其特征在于，所述拟合波形参数包括拟合幅值和拟合相位，所述标准波形参数包括标准幅值和标准相位；所述根据所述拟合波形参数和所述标准波形参数确定总损失包括：

4.根据权利要求2所述的原子重力仪干涉条纹优化方法，其特征在于，所述方法还包括：

5.根据权利要求1所述的原子重力仪干涉条纹优化方法，其特征在于，所述获取多个振动时序信号包括：

6.根据权利要求1所述的原子重力仪干涉条纹优化方法，其特征在于，所述采用多个所述振动时序信号对神经网络进行训练，得到预优化神经网络包括：

7.根据权利要求6所述的原子重力仪干涉条纹优化方法，其特征在于，所述方法还包括：

8.根据权利要求1所述的原子重力仪干涉条纹优化方法，其特征在于，所述将所述振动时序信号输入至所述预优化神经网络，包括：

9.一种基于神经网络的原子重力仪干涉条纹优化装置，其特征在于，包括至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，用于执行权利要求1-8中任一项所述的基于神经网络的原子重力仪干涉条纹优化方法。

10.一种非易失性计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序指令，当所述计算机程序指令由一个或多个处理器执行时，使得所述处理器执行如权利要求1-8任一项所述的基于神经网络的原子重力仪干涉条纹优化方法。