自适应增益的SPGD算法

发布时间：2021-11-04 21:27

　　SPGD算法是一种应用广泛的无波前探测自适应光学控制算法。传统SPGD算法中增益系数保持某一固定值不变,随着变形镜单元数的增加,这将导致算法收敛速度变慢及陷入局部极值的概率增大。Adam优化器是深度学习常用的一种优化随机梯度下降算法,它具有增益系数自适应性调整的特点。将Adam优化器自适应调整增益系数的优势与SPGD算法结合起来用于自适应光学系统控制。分别以32、61、97、127单元变形镜作为波前校正器件,不同湍流强度的波前像差作为校正对象,建立了无波前探测自适应光学系统模型。结果表明,优化后的算法收敛速度更快,而且陷入局部极值的概率降低,并且随着变形镜单元数的增加与湍流强度的增大,算法的优势更加明显。以上研究结果为基于Adam优化的SPGD算法的实际应用提供了理论基础。 

【文章来源】：红外与激光工程. 2020,49(10)北大核心EICSCD

【文章页数】：7 页

【参考文献】：
期刊论文
[1]深度学习的空间红外弱小目标状态感知方法[J]. 黄乐弘,曹立华,李宁,李毅.  中国光学. 2020(03)
[2]基于深度卷积神经网络的目标检测研究综述[J]. 范丽丽,赵宏伟,赵浩宇,胡黄水,王振.  光学精密工程. 2020(05)
[3]模型式无波前探测自适应光学系统抗噪能力分析[J]. 杨慧珍,王斌,刘瑞明,马良.  红外与激光工程. 2017(08)
[4]自适应光学随机并行梯度下降算法波前整形规律仿真(英文)[J]. 王卫兵,王挺峰,郭劲.  中国光学. 2014(03)
[5]自适应光学系统随机并行梯度下降控制算法实验研究[J]. 杨慧珍,陈波,李新阳,姜文汉.  光学学报. 2008(02)



本文编号：3476442