[發(fā)明專利]一種基于點(diǎn)擴(kuò)散函數(shù)的智能光學(xué)主動(dòng)裝調(diào)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110637363.6
• 申請(qǐng)日: 2021-06-08
• 公開(kāi)（公告）號(hào): CN113468802B
• 公開(kāi)（公告）日: 2022-07-12
• 發(fā)明（設(shè)計(jì)）人: 吳之旭;李正陽(yáng);張一鳴;唐榮欣;袁祥巖
• 申請(qǐng)（專利權(quán)）人: 南昌大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/04;G06N3/08;G06F17/18;G06F17/16;G06F17/15;G06F17/11
• 代理公司: 北京眾合誠(chéng)成知識(shí)產(chǎn)權(quán)代理有限公司 11246
• 代理人: 龔燮英

1.一種基于點(diǎn)擴(kuò)散函數(shù)的智能光學(xué)主動(dòng)裝調(diào)方法，其特征在于：包括以下步驟：

S1：依據(jù)待裝調(diào)光學(xué)系統(tǒng)各失調(diào)自由度的靈敏度，測(cè)試并確定系統(tǒng)失調(diào)量范圍；

S2：隨機(jī)生成失調(diào)量參數(shù)，并通過(guò)MATLAB與ZEMAX的DDE編程設(shè)置隨機(jī)視場(chǎng)分布，將當(dāng)前失調(diào)量參數(shù)輸入至待裝調(diào)光學(xué)系統(tǒng)模型中，對(duì)模型進(jìn)行光線追跡，獲取并記錄當(dāng)前裝調(diào)狀態(tài)下的點(diǎn)擴(kuò)散函數(shù)PSF；

S3：根據(jù)點(diǎn)擴(kuò)散函數(shù)橢率計(jì)算算法確定點(diǎn)擴(kuò)散函數(shù)在不同視場(chǎng)下的橢率變化，并獲得當(dāng)前橢率的幾何參數(shù)，包括半徑、相位角；

S4：通過(guò)對(duì)隨機(jī)目標(biāo)星源的橢率變化及其參數(shù)進(jìn)行Zernike多項(xiàng)式擬合，獲得當(dāng)前橢率及其參數(shù)的Zernike系數(shù)，并與當(dāng)前失調(diào)量組成具有對(duì)應(yīng)關(guān)系的輸入輸出數(shù)據(jù)對(duì)；

S5：根據(jù)神經(jīng)網(wǎng)絡(luò)算法構(gòu)建Zernike系數(shù)與失調(diào)量所組成的數(shù)據(jù)集，并將當(dāng)前數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，獲得符合標(biāo)準(zhǔn)正態(tài)分布的待訓(xùn)練數(shù)據(jù)集；

S6：搭建雙層人工神經(jīng)網(wǎng)絡(luò)，按照神經(jīng)網(wǎng)絡(luò)各超參數(shù)的靈敏度確定神經(jīng)網(wǎng)絡(luò)各超參數(shù)范圍；

S7：封裝模型至自動(dòng)超參數(shù)優(yōu)化框架中，將待訓(xùn)練數(shù)據(jù)集輸入至當(dāng)前神經(jīng)網(wǎng)絡(luò)，隨機(jī)生成超參數(shù)，對(duì)模型進(jìn)行多次訓(xùn)練與驗(yàn)證，根據(jù)損失評(píng)價(jià)函數(shù)，保存該模型并記錄其中最優(yōu)超參數(shù)設(shè)置；

S8：根據(jù)實(shí)際失調(diào)量參數(shù)與當(dāng)前預(yù)測(cè)失調(diào)量參數(shù)，計(jì)算該模型的預(yù)測(cè)準(zhǔn)確率；

S9：判斷當(dāng)前超參數(shù)設(shè)置下的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率是否小于預(yù)設(shè)準(zhǔn)確率閾值；

S10：若當(dāng)前預(yù)測(cè)準(zhǔn)確率小于準(zhǔn)確率閾值，則根據(jù)S6的超參數(shù)范圍進(jìn)一步擴(kuò)大其尋優(yōu)范圍，得到更新后的超參數(shù)范圍，返回執(zhí)行S7；

或若當(dāng)前預(yù)測(cè)準(zhǔn)確率小于準(zhǔn)確率閾值，則根據(jù)當(dāng)前超參數(shù)設(shè)置下的神經(jīng)網(wǎng)絡(luò)所計(jì)算的失調(diào)量參數(shù)重新確定系統(tǒng)失調(diào)量范圍，返回執(zhí)行S2；

S11：若當(dāng)前預(yù)測(cè)準(zhǔn)確率大于等于準(zhǔn)確率閾值，則將當(dāng)前超參數(shù)設(shè)置設(shè)為神經(jīng)網(wǎng)絡(luò)超參數(shù)設(shè)置，根據(jù)神經(jīng)網(wǎng)絡(luò)計(jì)算的失調(diào)量參數(shù)對(duì)待裝調(diào)光學(xué)系統(tǒng)進(jìn)行裝調(diào)。

2.根據(jù)權(quán)利要求1所述的一種基于點(diǎn)擴(kuò)散函數(shù)的智能光學(xué)主動(dòng)裝調(diào)方法，其特征在于：在S1中，定義待裝調(diào)光學(xué)系統(tǒng)各失調(diào)自由度若有k個(gè)，則可以表示為(α_c1，α_c2，α_c3，……，α_ck)，即需要求解的失調(diào)量參數(shù)，那么待裝調(diào)光學(xué)系統(tǒng)的失調(diào)量范圍可以表示為其中，表征第k個(gè)失調(diào)自由度的失調(diào)量范圍，為權(quán)重因子。

3.根據(jù)權(quán)利要求2所述的一種基于點(diǎn)擴(kuò)散函數(shù)的智能光學(xué)主動(dòng)裝調(diào)方法，其特征在于：在S2中，根據(jù)待裝調(diào)光學(xué)系統(tǒng)失調(diào)量范圍生成失調(diào)量參數(shù)種子其中表示在失調(diào)量范圍中生成的數(shù)目為n的一組失調(diào)量參數(shù)，則系統(tǒng)整體失調(diào)量參數(shù)種子可表示為定義待裝調(diào)光學(xué)系統(tǒng)各視場(chǎng)若有m個(gè)，(F_c1，F(xiàn)_c2，……，F(xiàn)_cm)，則通過(guò)MATLAB與ZEMAX的DDE編程設(shè)置仿真實(shí)驗(yàn)，不同視場(chǎng)下的一組點(diǎn)擴(kuò)散函數(shù)可以表示為

4.根據(jù)權(quán)利要求3所述的一種基于點(diǎn)擴(kuò)散函數(shù)的智能光學(xué)主動(dòng)裝調(diào)方法，其特征在于：在S3中，對(duì)待裝調(diào)光學(xué)系統(tǒng)進(jìn)行仿真實(shí)驗(yàn)得到的點(diǎn)擴(kuò)散函數(shù)，通過(guò)點(diǎn)擴(kuò)散函數(shù)橢率計(jì)算算法求解每個(gè)點(diǎn)擴(kuò)散函數(shù)所對(duì)應(yīng)的橢率、相位角以及半徑參數(shù)，根據(jù)n個(gè)失調(diào)量參數(shù)種子在m個(gè)不同視場(chǎng)下的點(diǎn)擴(kuò)散函數(shù)，可計(jì)算得到橢率、相位角以及半徑參數(shù)各n*m個(gè)，分別表示為

所述點(diǎn)擴(kuò)散函數(shù)橢率計(jì)算算法，根據(jù)不同視場(chǎng)下的每個(gè)點(diǎn)擴(kuò)散函數(shù)可以解算出該點(diǎn)擴(kuò)散函數(shù)圖像所對(duì)應(yīng)的橢率、相位角及半徑，其計(jì)算公式如下：

其中，PSF(x，y)為點(diǎn)擴(kuò)散函數(shù)，x和y是點(diǎn)擴(kuò)散函數(shù)圖像上的橫坐標(biāo)與縱坐標(biāo)，i和j是坐標(biāo)下標(biāo)，當(dāng)i＝x和j＝x時(shí)坐標(biāo)軸取橫坐標(biāo)，即x_i與y_j都表示橫坐標(biāo)；反之，當(dāng)i＝y(tǒng)和j＝y(tǒng)時(shí)坐標(biāo)取縱坐標(biāo)，即x_i與y_j都表示縱坐標(biāo)，e為PSF的橢率，R為PSF半徑，θ為PSF的相位角。