[發(fā)明專利]基于深度遷移學(xué)習(xí)預(yù)測(cè)波前澤尼克系數(shù)的自適應(yīng)光學(xué)波前補(bǔ)償方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910513458.X
• 申請(qǐng)日: 2019-06-14
• 公開(kāi)（公告）號(hào): CN110349095B
• 公開(kāi)（公告）日: 2021-08-27
• 發(fā)明（設(shè)計(jì)）人: 金昀程;陳智鴻;金心宇
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06N3/08;G06N3/067;G06N3/04;G02F1/01;G02B27/00
• 代理公司: 杭州中成專利事務(wù)所有限公司 33212
• 代理人: 金祺

1.基于深度遷移學(xué)習(xí)預(yù)測(cè)波前澤尼克系數(shù)的自適應(yīng)光學(xué)波前補(bǔ)償方法，其特征在于：包括以下步驟：

S1、得到有標(biāo)注的源域樣本*X_s,Y_s+；執(zhí)行步驟S2；

S2、得到無(wú)標(biāo)注的目標(biāo)域樣本得到有標(biāo)注的目標(biāo)域樣本執(zhí)行步驟S3；

S3、根據(jù)有標(biāo)注的源域樣本*X_s,Y_s+得到源域數(shù)據(jù)集，根據(jù)無(wú)標(biāo)注的目標(biāo)域樣本和有標(biāo)注的目標(biāo)域樣本得到目標(biāo)域數(shù)據(jù)集；基于源域數(shù)據(jù)集和目標(biāo)域數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，通過(guò)反向傳播算法對(duì)模型參數(shù)進(jìn)行優(yōu)化，得到完成訓(xùn)練的網(wǎng)絡(luò)；執(zhí)行步驟S4；

步驟S3包括以下步驟：

S31.將共享參數(shù)的源域網(wǎng)絡(luò)和目標(biāo)域網(wǎng)絡(luò)作為雙流網(wǎng)絡(luò)，判斷源域網(wǎng)絡(luò)和目標(biāo)域網(wǎng)絡(luò)是否滿足收斂條件或者到達(dá)最大迭代次數(shù)，否則執(zhí)行S32，是則執(zhí)行S35；

S32.將源域數(shù)據(jù)集和目標(biāo)域數(shù)據(jù)集分別隨機(jī)亂序后分為多個(gè)小型批次數(shù)據(jù)集，形成源域批數(shù)據(jù)和目標(biāo)域批數(shù)據(jù)；執(zhí)行步驟S33；

S33.將源域批數(shù)據(jù)和目標(biāo)域批數(shù)據(jù)分別輸入源域網(wǎng)絡(luò)和目標(biāo)域網(wǎng)絡(luò)，利用反向傳播算法結(jié)合損失函數(shù)更新各個(gè)網(wǎng)絡(luò)參數(shù)；執(zhí)行步驟S34；

損失函數(shù)定義為：

l＝MSE+λl_CORAL

其中MSE為均方差誤差；MSE如下式所示：

其中：分別為源域網(wǎng)絡(luò)和目標(biāo)域網(wǎng)絡(luò)的預(yù)測(cè)值；為有標(biāo)注的目標(biāo)域樣本數(shù)量；n_s為有標(biāo)注的源域樣本數(shù)量；

協(xié)方差損失l_CORAL如下式所示：

其中，表示平方矩陣Frobenius范數(shù)；C_s,C_t分別表示源域和目標(biāo)域特征的協(xié)方差矩陣，d為樣本向量空間維數(shù)；

λ為用于平衡澤尼克系數(shù)預(yù)測(cè)與分布對(duì)齊間的強(qiáng)度的超參數(shù)；

S34.利用梯度下降算法對(duì)模型參數(shù)進(jìn)行更新，并判斷參數(shù)是否收斂，是執(zhí)行S35，否執(zhí)行S32；

S35.輸出完成訓(xùn)練的網(wǎng)絡(luò)；執(zhí)行步驟S4；

S4、將圖像輸入S35得到的完成訓(xùn)練的網(wǎng)絡(luò)，輸出預(yù)測(cè)的澤尼克系數(shù)，執(zhí)行步驟S5；

S5、根據(jù)步驟S4預(yù)測(cè)的澤尼克系數(shù)計(jì)算波前相位，并利用波前矯正器進(jìn)行波前補(bǔ)償實(shí)現(xiàn)校正。

2.根據(jù)權(quán)利要求1所述的基于深度遷移學(xué)習(xí)預(yù)測(cè)波前澤尼克系數(shù)的自適應(yīng)光學(xué)波前補(bǔ)償方法，其特征在于：步驟S34包括：

參數(shù)更新形式為：

其中，α為學(xué)習(xí)率，為偏導(dǎo)數(shù)運(yùn)算符，表示在t時(shí)間步中，第k層第i個(gè)參數(shù)的值。

3.根據(jù)權(quán)利要求2所述的基于深度遷移學(xué)習(xí)預(yù)測(cè)波前澤尼克系數(shù)的自適應(yīng)光學(xué)波前補(bǔ)償方法，其特征在于：

源域網(wǎng)絡(luò)和目標(biāo)域網(wǎng)絡(luò)均包括輸入層-卷積層-池化層-卷積層-池化層-卷積層-卷積層-卷積層-池化層-全連接層-適應(yīng)層。

4.根據(jù)權(quán)利要求3所述的基于深度遷移學(xué)習(xí)預(yù)測(cè)波前澤尼克系數(shù)的自適應(yīng)光學(xué)波前補(bǔ)償方法，其特征在于：

第1層輸入層的設(shè)置特征圖數(shù)為1；第2層卷積層的特征圖數(shù)為32，并設(shè)置卷積核大小為5；第3層池化層設(shè)置下采樣尺寸為2；第4層卷積層的特征圖數(shù)為32，并設(shè)置卷積核大小為5；第5層池化層設(shè)置下采樣尺寸為2；第6層卷積層的特征圖數(shù)為64，并設(shè)置卷積核大小為3；第7層卷積層的特征圖數(shù)為64，并設(shè)置卷積核大小為3；第8層卷積層的特征圖數(shù)為64，并設(shè)置卷積核大小為3；第9層池化層設(shè)置下采樣尺寸為2；第10層全連接層設(shè)置神經(jīng)元個(gè)數(shù)為512；第11層適應(yīng)層設(shè)置神經(jīng)元個(gè)數(shù)512；第12層輸出層設(shè)置神經(jīng)元個(gè)數(shù)為21，對(duì)應(yīng)2-22個(gè)澤尼克系數(shù)。

5.根據(jù)權(quán)利要求4所述的基于深度遷移學(xué)習(xí)預(yù)測(cè)波前澤尼克系數(shù)的自適應(yīng)光學(xué)波前補(bǔ)償方法，其特征在于：

超參數(shù)λ為7。