基于机器学习的大面积拼接镜倾斜误差探测

发布时间：2024-02-24 23:24

　　为了实现对拼接镜整体幅面的共相位误差的快速检测,通过Zemax建立相位测量装置,数值模拟拼接镜的倾斜误差检测过程。使用基于主成分分析(PCA)、偏最小二乘回归(PLSR)的机器学习算法,替代传统的相位重建方法,从探测面强度分布图中提取倾斜误差。预测结果表明,在单元情况下对12个样本的倾斜角进行预测,倾斜角预测值与真实值间的均方根误差(RMSE)约为0.000 29;在多元情况下,倾角的RMSE均维持在0.000 3以下。可见,在两种情况下,倾角的RMSE参量值均小于倾斜步长。因此,利用机器学习算法可以实现对倾角步长为0.000 5°的倾斜误差的预测,与相位差波前检测等传统方法相比,该方法能大幅提高预测速度,明显降低传统波前重建算法复杂度。

【文章页数】：8 页

【部分图文】：

图5单元机器学习框架计算思路

单元件倾斜是指每次只有一个子镜倾斜。为了构建适合预测子镜倾斜角的机器学习框架,将PCA算法和PLSR算法组合起来。当只有一个子镜倾斜时,依次调用PCA算法和PLSR算法,进行一次计算。因此,预测思路如图5所示。在预测分析中,使用了168个训练样本,并从中随机选取12个作为测试样本....

图6单元件倾斜时探测面弥散斑分布

其中n是预测样本的数量;p(i)是通过机器学习预测的第i个样本的倾角预测值;t(i)是第i个样本的倾角真实值。由公式(1)可知,表1中的倾角的预测值与真实值之间的RMSE仅为0.00029,小于倾角步长0.0005°。可以看出,该框架完全可以实现在单元情况下对0.000....

图7多元机器学习框架计算思路

多元件倾斜是指同时有多个子镜倾斜。由于有多个子镜同时倾斜,为了成功预测拼接镜的倾斜误差,需要对PCA算法和PLSR算法的组合进行多次循环计算,比如当有2个子镜同时倾斜时,需循环2次;3个子镜同时倾斜时,需循环3次。因此,预测思路如图7所示。为了找到合理的训练样本数量,我们研究了预....

图8预测精度与样本数量的关系

利用表2、3和4中的数据,通过公式(1)计算出倾角预测值和真实值之间的RMSE。我们发现,当同时有2个、3个和4个子镜倾斜时,倾角预测值与真实值间的RMSE都维持在0.0003以下,小于倾角步长0.0005°。可以看出,该框架完全可以在多元情况下实现对0.0005°倾斜步长....

本文编号：3909723