[發明專利]一種基于深度學習的大氣湍流相位屏的預測方法

在審

• 申請號: 202310631745.7
• 申請日: 2023-05-31
• 公開（公告）號: CN116578821A
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 李明;吳治庚;田立峰;張鵬鑫
• 申請（專利權）人: 天津師范大學
• 主分類號: G06F17/15
• 分類號: G06F17/15;G06N3/0464;G06N3/08
• 代理公司: 天津市杰盈專利代理有限公司 12207
• 代理人: 朱紅星

1.一種基于深度學習的大氣湍流相位屏的預測方法，其特征在于包括以下步驟：

S1：根據發生畸變和未發生畸變的光束以及真實相位屏之間存在的內在聯系，以及根據神經網絡具有能夠以任意精度逼近一個函數的特性，故采用神經網絡來預測相位屏具備可行性，設計一個復雜度低的卷積神經網絡以及帶像素懲罰項的均方差損失函數；

S2：獲取發生畸變和未發生畸變的兩種高斯光束光強，以及對應的真實相位屏作為訓練數據，為了使大氣湍流更加貼合實際情況，采用大氣折射率功率譜密度Hill—Andrews模型，其表達式為:

其中表示當光束在z方向上傳輸時的大氣折射率功率譜，表示大氣湍流強度，?分別表示大氣湍流的內尺度和外尺度因子，?分別是x和y方向上的波數；

S3：對設計的卷積神經網絡模型進行訓練，不斷優化調參之后固定模型參數，將畸變的光束光強圖讀取入訓練好的卷積神經網絡中，實現相應大氣湍流相位屏的預測；其中的損失函數是將帶像素懲罰項的均方誤差作為參數學習的判斷標準，其所述的損失函數為：

??(2)

其中，表示權重參數，N表示訓練樣本的數量，?表示訓練樣本中第??個高斯光束的光強分布圖，?表示訓練樣本中第個大氣湍流相位屏，取整數，表示預測的大氣湍流相位屏，?表示非線性激活函數，?表示懲罰系數，?表示求和操作；確定最優權重參數??后，根據輸入數據X就可以得到預測的大氣湍流相位屏:

??(3)

其中??表示預測的大氣湍流相位屏，表示取最小操作，L表示損失函數，和分別表示輸入數據和輸出相位，?表示最優權重參數，而??可以看做是神經網絡所逼近的抽象非線性函數。

2.權利要求1所述的預測方法，其中復雜度低的卷積神經網絡，其特征在于，模型復雜度小，需要訓練的參數少，訓練需要的算力小。

3.權利要求1所述的預測方法，其中的測量方法在于，整個流程是一個端到端的過程，不管是數據準備和預測結果都不需要進行后處理，更不需要精密昂貴的光學儀器。

4.權利要求1所述的預測方法，其中還包括：實現方法的流程，用于預測大氣湍流相位屏。

5.采用權利要求1所述基于深度學習的大氣湍流相位屏的預測方法主要用于精確快速地提取大氣湍流相位屏。