一种基于深度学习的自适应光学波前预测与前馈校正方法

1.本发明属于波前预测与校正控制技术领域，涉及一种基于深度学习的自适应光学波前预测与前馈校正方法，适用于基于自适应光学的波前像差校正任务。


背景技术：

2.ao技术是一种能够实时补偿大气湍流的有效手段，然而实际的ao系统由于波前传感器读出数据延迟和处理机控制计算延迟等，通常存在2-3个采样周期的时延。在校正具有高时间频率的大气湍流畸变波前的情况下，这种时延误差将造成变形镜上的补偿波前明显滞后于畸变波前的变化，严重限制ao技术的校正性能。
3.预测技术可以有效补偿该时延误差，尤其是基于神经网络类的方法已经表现出更大的优势(参见guo y,zhong l,min l,et al.adaptive optics based on machine learning:a review[j].opto-electronic advances,2022:200082-1-200082-20.)。史晓雨等利用二层反向传播(bp)神经网络预测算法对变形镜的开环控制电压进行预测，相同风速下，其校正效果比rls算法的校正效果提高30倍左右(参见史晓雨，冯勇，陈颖，等.自适应光学系统变形镜控制电压预测[j].强激光与粒子束，2012,24(6):1281-1286.)。chen ying等人利用了lstm网络对电压进行预测，其预测残差比bp网络降低了8倍左右(参见chen y.voltages prediction algorithm based on lstm recurrent neural network[j].optik.2020,220(16):4869-4880.)。同时chenying等人利用了lstm网络对泽尼克系数进行预测，与直接对dm电压进行预测的方法相比，该方法能有效地缩短训练计算时间，具有实用价值(参见chen y.lstm recurrent neural network prediction algorithm based on zernike modal coefficients[j].optik,2020,203:163796.)。j.g.chen等人利用基于u-net的卷积神经网络架构应用于预测ao系统畸变波前，并跟踪快速移动的目标，如近地轨道卫星(leo)，实验表明微调后的神经网络能够减少比非预测方法约50％的波前误差(参见j.g.chen,v.shah,and l.l.liu.“performance of a u-net-based neural network for predictive adaptive optics,”opt.lett.2021,46(10):2513-2516.)。
[0004]
然而在目前基于神经网络类方法的波前预测发展中，研究人员大多旨在直接对各类连续畸变波前信息进行训练预测，难以满足传统ao基于波前残差的负反馈闭环校正方式。2021年，robin swanson等人采用伪开环数据模拟了斜率预测与闭环校正过程，该方法添加了生成对抗网络结合lstm网络和基于密集连接的cnn网络分别进行监督鉴别(详见swanson r,lamb m,correia cm,et al.closed loop predictive control of adaptive optics systems with convolutiona lneural networks[j].monthly notices of the royal astronomical society,2021,503(2):2944-2954.)，虽然与直接应用于闭环校正的经典神经网络预测方法相比，两种复合网络均具有一定的校正性能提升，但是网络设计的复杂度在很大程度上同样限制了ao系统实时校正的实现。
[0005]
因此，本发明提出一种基于深度学习的自适应光学波前预测与前馈校正方法。


技术实现要素：

[0006]
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。
[0007]
本发明采用的技术方案是：一种基于深度学习的自适应光学波前预测与前馈校正方法，通过以下步骤实现：
[0008]
步骤s1：根据大气冻结流假设，基于kolmogorov湍流统计理论、hv-57折射率结构常数模型和buffton风速模型经过傅里叶级数方法时间演化仿真模拟获得大气湍流畸变波前；
[0009]
步骤s2：将模拟生成的固定时间频率的大气湍流畸变波前加载到像差模拟系统中，并采用基于固定采样帧频(1khz)的哈特曼波前传感器1进行波前数据采集；
[0010]
步骤s3：对步骤s2中采集的波前数据进行预处理，并将处理好的数据按预测模型要求分为训练集与测试集两组，训练集数据通过事先搭建好的神经网络结构进行迭代再训练，使网络适应哈特曼波前传感器1重构后的波前特征信息；
[0011]
步骤s4：利用测试集数据进行预测模型测试，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，并将最优模型部署于控制器中；
[0012]
步骤s5：将网络模型输出的预测波前转换成控制电压加载到变形镜上产生校正面形，通过哈特曼波前传感器2观察校正残余波前，用于评估校正性能；
[0013]
步骤s6：模拟生成时间频率逐渐增大的大气湍流畸变波前加载到像差模拟系统中，开展波前预测与前馈校正，获取不同时间频率大气湍流下的校正性能；
[0014]
进一步地，所述步骤s1中，kolmogorov湍流统计理论即为在惯性区域内大气折射率结构函数满足“三分之二定律”。
[0015]
进一步地，所述步骤s3中，训练集和测试集中的数据需满足样本与标签相对应，以便网络正确学习历史波前与预测波前的映射关系，其残差分析的评价指标为残余波前的均方根(rms)值，选取该rms值最小的模型为最优模型结构。
[0016]
进一步地，所述步骤s5中校正性能的评价指标为哈特曼波前传感器2所探测到的校正残余波前的均方根值(rms)，该rms值越小，证明校正效果越好。
[0017]
进一步地，所述步骤s6中前馈校正是指哈特曼波前传感器放置在变形镜之前，因此探测的是畸变波前，而不是残差波前，利用预测模型直接预测的波前信息转化为变形镜校正面形就能实现对畸变波前的校正。
[0018]
本发明原理在于：本发明提供一种基于深度学习的自适应光学波前预测与前馈校正方法，利用模拟生成具有不同时间和空间频率的大气湍流畸变波前，使得畸变光束首先经过哈特曼波前传感器1进行波前探测，再经过计算机搭载的神经网络模型进行波前预测，最后将输出预测波前转换成控制电压加载到变形镜上，通过哈特曼波前传感器2观察校正残余波前，进行校正性能分析，同时实现ao的波前预测与前馈校正。
[0019]
本发明与现有技术相比有如下优点：
[0020]
1.本发明采用神经网络预测加前馈校正的方式，利用实时探测的畸变波前开展前向预测，并将输出的预测波前转换成变形镜的校正面形，可以有效克服ao系统固有的控制时延问题。
[0021]
2.本发明采用前馈校正的方式，区别于传统ao基于波前残差的负反馈闭环校正方
式，可以有效简化网络预测模型，更利于实际系统中的部署应用。
附图说明
[0022]
图1为本发明一种基于深度学习的自适应光学波前预测与前馈校正方法工作流程图；
[0023]
图2为前馈校正实验原理及光路布局图。
具体实施方式
[0024]
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。
[0025]
图1是一种基于深度学习的自适应光学波前预测与前馈校正方法工作流程图，具体步骤为：
[0026]
步骤s1：根据大气冻结流假设，基于kolmogorov湍流统计理论、hv-57折射率结构常数模型和buffton风速模型经过傅里叶级数方法时间演化仿真模拟获得大气湍流畸变波前；
[0027]
步骤s2：将模拟生成的固定时间频率的大气湍流畸变波前加载到像差模拟系统中，并采用基于固定采样帧频(1khz)的哈特曼波前传感器1进行波前数据采集；
[0028]
步骤s3：对步骤s2中采集的波前数据进行预处理，并将处理好的数据按预测模型要求分为训练集与测试集两组，训练集数据通过事先搭建好的神经网络结构进行迭代再训练，使网络适应哈特曼波前传感器1重构后的波前特征信息；
[0029]
步骤s4：利用测试集数据进行预测模型测试，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，并将最优模型部署于控制器中；
[0030]
步骤s5：将网络模型输出的预测波前转换成控制电压加载到变形镜上产生校正面形，通过哈特曼波前传感器2观察校正残余波前，用于评估校正性能；
[0031]
步骤s6：模拟生成时间频率逐渐增大的大气湍流畸变波前加载到像差模拟系统中，开展波前预测与前馈校正，获取不同时间频率大气湍流下的校正性能；
[0032]
步骤s1中kolmogorov湍流统计理论即为在惯性区域内大气折射率结构函数满足“三分之二定律”。
[0033]
折射率结构函数dn(r)满足“三分之二定律”可表示为：
[0034][0035]
其中，r为标量距离，为海拔高度h处的折射率结构常数，常用hv-57模型表示：
[0036][0037]
其中，一般取：v＝21m/s，a＝1.7
×
10-14
。
[0038]
但是在激光大气传输和自适应光学校正技术中，广泛采用大气相干长度r0来描述湍流效应的影响，并评价激光传输及其相位校正的效果。r0值越大，表示大气条件越好，一般情况下，r0和的关系为：
[0039][0040]
其中，k为波数，l为传输距离，为天顶角。
[0041]
当激光大气水平传输时，即r0表示为：
[0042][0043]
buffton风速模型v(h)表述为大气中风速随海拔高度的变化：
[0044][0045]
其中，一般取vg＝5m/s，v
t
＝30m/s，h
pk
＝9400，h
scale
＝4800。
[0046]
步骤s4和步骤s5中残余波前的rms值计算公式为：
[0047][0048]
其中，n为畸变波前的像素分辨率，即像素点值，x
jpre
为畸变波前像素点j的预测值，x
jtrue
为畸变波前像素点j的真实值，xi为畸变波前所有像素点的平均值。
[0049]
图2展示了本发明中前馈校正实验原理及光路布局图；实验中各光学部件的位置与其光路关系如图中箭头指示，其中像差模拟系统用于模拟生成不同大气湍流条件下的连续畸变波前，哈特曼波前传感器1用于探测该波前信息，带有预测模型的控制器进行波前预测处理输出预测波前，变形镜对预测波前进行校正，哈特曼波前传感器2用于观测残余波前来分析校正效果。
[0050]
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。