自适应光学系统的自学习控制模型及其验证

发布时间：2021-02-04 04:16

　　在自适应光学系统中,传统比例-积分控制模型依赖于变形镜的响应矩阵,系统状态的改变会对变形镜响应矩阵造成影响,导致波前校正性能下降。通过重新定义BP（back-propagation）神经网络结构实现哈特曼斜率数据到控制信号的输出,并建立了控制模型。实验结果表明,所提模型摆脱了传统固定模型的限制,具有在线更新控制模型的特点,控制模型收敛性能良好,能适应系统状态变化,有较强的鲁棒性,同时提高了控制精度,一定程度上改善了控制性能。 

【文章来源】：中国激光. 2020,47(01)北大核心

【文章页数】：7 页

【部分图文】：

典型自适应光学系统

为使提出的NI模型不牺牲控制带宽,又能在一定程度上感知系统运行状态的变化,通过简化计算结构改进了BP(back propagation)网络,同时定义了样本获取方式。图2所示为传统BP网络结构与改进后的网络结构[12]。图2(a)为标准多输入多输出BP网络,由输入层、隐含层和输出层构成。BP网络是一种多层前馈网络,基于随机梯度下降法来训练网络,可以学习输入输出的映射关系,使得在线学习系统运行状态成为可能。ωi,j和 ω ˙ i,j 为网络层之间的权值(i节点和j节点), b ˙ j 为神经元的偏置(j节点)。隐含层层数和激活函数的选择要从网络精度和训练时间综合考虑,对于较简单的映射关系可以选择单隐含层,以加快速度;对于复杂的映射关系,则可以选择多隐含层,以提高网络的预测精度。图2(b)为改进后的网络模型,没有隐含层,输入层通过权值θ和偏置b连接输出层,θi,j为网络层之间的权值(i节点和j节点),bj为神经元的偏置(j节点)。激活函数f的选择方案有很多种,比如sigmoid、tanh函数等,但是sigmoid、tanh激活函数的计算量大,为了不影响控制带宽和动态在线更新模型,线性激活函数的优势变得很明显。事实上,没有隐含层的网络没有非线性映射能力,所以激活函数也没有被选择的必要。改进后的网络结构只需要系统实际运行过程中的动态数据,就可以方便快速地训练模型。图2(b)中网络输入S(k)为k时刻的质心斜率向量,网络输出Φθ[S(k)]经滞后环节z-1变为Φθ[S(k-1)],展开得到模型输出Φ:

本文使用实际自适应光学(AO)系统和数值计算相结合的方法来验证提出的NI模型,实际系统所采用的结构如图3所示,实际平台如图4所示。该实验平台由激光器、变形镜(DM1,DM2)、倾斜镜(TM)和复合传感器组成。图3中的ψ, φ,φ均表示波前函数。图4中光源采用671 nm的激光器,激光束通过变形镜DM1入射到变形镜DM2,然后经DM2入射到复合传感器。变形镜DM1和DM2有59个驱动器单元,其中DM1用来生成像差,DM2用来校正DM1生成的像差,倾斜镜用来校正倾斜。复合传感器由分光镜、H-S波前传感器、远场CCD和近场CCD组成,分光镜将一部分光束通过透镜聚焦到远场CCD,远场CCD用来测量光束校正前后的光斑,CCD的像素为200 pixel×200 pixel;H-S波前传感器由12×12的透镜阵列和一个372 pixel×372 pixel的CCD相机组成(每个子孔径大小为31 pixel×31 pixel),其中CCD相机的采样频率为500 Hz,每个子孔径有两个测量方向:X轴方向和Y轴方向。

【参考文献】：
期刊论文
[1]自适应光学发展综述[J]. 姜文汉.  光电工程. 2018(03)
[2]基于在线最小二乘支持向量机的变形镜建模与控制[J]. 张东阁,傅雨田.  红外与激光工程. 2016(11)
[3]一种自适应光学系统响应矩阵的直接计算方法[J]. 郭友明,饶长辉,鲍华,张昂,魏凯.  物理学报. 2014(14)
[4]Analysis and demonstration of PID algorithm based on arranging the transient process for adaptive optics[J]. 郑兆瑛,李常委,李邦明,张思炯.  Chinese Optics Letters. 2013(11)
[5]自适应光学闭环系统实时多路自适应控制算法[J]. 颜召军,李新阳,饶长辉.  光学学报. 2013(03)
[6]PID自适应调整增益的神经元非模型控制[J]. 张建明,王宁,王树青.  机电工程. 1999(05)



本文编号：3017708