一种基于深度学习的畸变波前预测方法

based on zernike modal coefficients,optik(2019))。畸变波前相位信息可较为直观地反映大气湍流的强弱程度，直接对波前数据进行预测，可有效避免上述问题。
5.因此，本发明提出一种基于深度学习的畸变波前预测方法。


技术实现要素：

6.本发明解决的技术问题是：克服在校正具有高时间频率的大气湍流畸变波前的情况下，ao系统固有的时延误差造成变形镜上的补偿波前明显滞后于畸变波前变化的问题。本发明提供一种基于深度学习的畸变波前预测方法，利用神经网络的非线性拟合能力，采用残差学习的方式消除相邻两帧之间的冗余信息，然后将精化后的特征进行融合，最后，把各级特征再次通过融合得到最终预测结果，实现畸变波前的前向预测。
7.本发明的技术方案是：一种基于深度学习的畸变波前预测方法，通过以下步骤实现：
8.步骤s1：根据大气冻结理论，采用相位协方差函数仿真产生符合大气湍流统计分布规律的动态相位屏，模拟获得横向风下实际的畸变波前数据并收集该畸变波前数据；
9.步骤s2：对步骤1中收集的畸变波前数据进行预处理，并将预处理后的数据分为样本集与标签集两组数据；
10.步骤s3：配置深度学习环境，搭建预测模型的神经网络；
11.步骤s4：抽取样本集与标签集中前80％的数据作为训练集，训练集中的数据满足样本与标签相对应，供所述神经网络学习历史波前信息与预测波前信息的映射关系，抽取样本集与标签集中后续10％的数据作为验证集，用于调整所述神经网络的参数并验证该神经网络的有效性；
12.步骤s5：利用样本集与标签集中最后10％的数据进行所述预测模型的测试，对输出的预测波前与待校正实际标签波前进行残差分析，根据残差分析结构选取最优模型结构。
13.进一步的，所述步骤s1中，所述大气湍流统计分布规律为von karman谱。
14.进一步的，所述步骤s3中，所述预测模型的搭建基于卷积长短期记忆递归神经网络(convlstm)。
15.进一步的，所述步骤s5中，所述残差分析的评价指标为均方根(rms)值，选取残差均方根值最小的模型为最优模型结构。
16.本发明与现有技术相比有如下优点：利用ao技术在校正具有高时间频率的大气湍流畸变波前的情况下，传统的波前控制方式不再适用，且现有神经网络类预测方法存在网络模型搭建较为基础，从而预测精度不够高等问题，本发明采用残差学习的方式消除相邻两帧之间的冗余信息，然后融合精化处理后的特征，最后，再次通过融合各级特征得到最终预测结果用于实时校正，可有效避免ao系统固有的时延误问题带来的校正误差，有望用于大气传输系统及更多相关领域的高时间频率畸变波前的预测校正。
附图说明
17.图1为本发明工作流程图；
18.图2为本发明中基于深度学习的波前预测模型；
19.图3为预测模型中的m模块。
具体实施方式
20.为使本发明的技术方案和优点更加清楚明白，以下结合具体实施例子，参照附图对本发明进一步详细说明。
21.图1是一种基于深度学习的波前预测方法工作流程图，具体步骤为：
22.步骤s1：根据大气冻结理论对大气湍流进行建模，大气冻结理论假设成立的时间尺度为10-20ms，在少数情况下达到50-100ms。ao系统的采样频率一般为1000hz左右，时间延迟为2-3个采样周期。因此在2-3ms的时延内，大气冻结湍流假设是合理的，所以我们采用相位协方差函数在matlab中仿真产生符合大气湍流统计分布的动态相位屏，模拟获得横向风下实际畸变波前数据；
23.步骤s2：对步骤1中收集的畸变波前数据进行预处理，分为样本集与标签集两组数据；
24.步骤s3：配置深度学习环境，搭建预测模型的神经网络；
25.步骤s4：抽取样本集与标签集中前80％的数据作为训练集，训练集中的数据须满足样本与标签相对应，供神经网络学习样本集中的历史波前信息与预测波前信息的映射关系，抽取样本集与标签集中后续10％的数据作为验证集，用于调整网络参数并验证算法有效性；
26.步骤s5：利用样本集与标签集中最后的10％的数据进行模型测试，对输出的预测波前与实际对应标签波前进行残差分析，选取最优模型结构；由于历史波前信息即样本集数据和输出的实际标签波前即标签集数据之间具有一个准确的映射关系，因此，该步骤中使用预测值和实际标签求残差，评估网络的预测能力。
27.步骤s1中，符合激光通信系统中的大气湍流统计分布规律为von karman谱。
28.von karman谱中，大气湍流结构相位函数为：
[0029][0030]
其中，k
5/6
(r)为修正的第三阶内塞尔函数，γ(x)为伽马函数，l0为大气湍流外尺度，r0为大气相干长度，π为圆周率，r为模拟相位屏移动距离。
[0031]
大气湍流相位函数又可用协方差和方差表示，即其中为协方差函数，为方差。则von karman谱相位协方差函数可表示为：
[0032][0033]
步骤s3中搭建的预测模型基于convlstm网络。该模型结构采用vgg19作为主干网络提取原始输入波前特征，采用残差学习的方式消除相邻两帧之间的冗余信息，然后融合精化后的特征，过程如下所示：
[0034]fi
＝σ(ω1*concat(fi,f
i 1
) b1) fi[0035]
σ表示激活函数，即prelu函数，concat表示连接操作，ω1和b1分别为一个1
×
1卷积
层的权值和偏差，“*”表示卷积操作。f表示未处理波前，f表示经过残差学习处理后的波前，i表示帧数。
[0036]
最后，把各级特征再次通过融合得到最终预测结果。过程如下所示：
[0037][0038][0039][0040][0041]
其中，σ表示激活函数，即prelu函数，concat表示连接操作，(ω2,b2)、(ω3,b3)、(ω4,b4)和(ω5,b5)分别为1
×
1卷积层的权值和偏差，“*”表示卷积操作。最终的目标预测值为值为分别为各级残差学习和融合后的波前特征值。
[0042]
最终的目标预测值为
[0043]
图2展示了利用convlstm网络的记忆能力，根据连续多帧波前特征预测输出下一帧波前信息，再把vgg19网络下的各级特征通过融合得到最终预测结果的过程。
[0044]
图3展示了图2所示预测模型中m模块的细节信息。
[0045]
本发明并不局限于上述的具体实施方式，上述的实施方式仅仅是示意性的，而不是限制性的。本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权力要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。本发明未详细阐述部分属于本领域技术人员的公知技术。


技术特征：
1.一种基于深度学习的畸变波前预测方法，其特征在于：该方法包括如下步骤：步骤s1：根据大气冻结理论，采用相位协方差函数仿真产生符合大气湍流统计分布规律的动态相位屏，模拟获得横向风下实际的畸变波前数据并收集该畸变波前数据；步骤s2：对步骤1中收集的畸变波前数据进行预处理，并将预处理后的数据分为样本集与标签集两组数据；步骤s3：配置深度学习环境，搭建预测模型的神经网络；步骤s4：抽取样本集与标签集中前80％的数据作为训练集，训练集中的数据满足样本与标签相对应，所述训练集用于供所述神经网络学习历史波前信息与预测波前信息的映射关系，抽取样本集与标签集中后续10％的数据作为验证集，用于调整所述神经网络的参数并验证该神经网络的有效性；步骤s5：利用样本集与标签集中最后10％的数据进行所述预测模型的测试，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结构。2.根据权利要求1所述的一种基于深度学习的畸变波前预测方法，其特征在于：所述步骤s1中，所述大气湍流统计分布规律为von karman谱。3.根据权利要求1所述的一种基于深度学习的畸变波前预测方法，其特征在于：所述步骤s3中，所述预测模型的搭建基于卷积长短期记忆递归神经网络(convlstm)。4.根据权利要求1所述的一种基于深度学习的畸变波前预测方法，其特征在于：所述步骤s5中，所述残差分析的评价指标为均方根(rms)值，选取残差均方根值最小的模型为最优模型结构。

技术总结
本发明公开了一种基于深度学习的畸变波前预测方法。自适应光学系统(AO)是一类能够实时补偿大气湍流畸变波前的伺服延迟系统，通常延迟时间为2～3个采样周期，波前预测技术可有效解决该时延问题，提高系统的控制性能。深度学习可自提取图像深层特征，可被用于拟合多帧历史波前信息到预测波前信息的映射；本发明在于充分发挥神经网络的非线性拟合能力，利用多帧连续畸变波前帧与帧之间存在的时序特征，采用残差学习的方式消除相邻两帧之间的冗余信息，然后融合精化处理后的特征，最后，再次通过融合各级特征得到最终预测结果用于实时校正，以降低AO系统在应对具有高时间频率的大气湍流畸变波前时的时延误差，提高控制性能。提高控制性能。提高控制性能。


技术研发人员：朱里程 王宁 马帅 葛欣兰 杨平
受保护的技术使用者：中国科学院光电技术研究所
技术研发日：2022.02.23
技术公布日：2022/5/20