【摘 要】
：
针对无波前探测自适应光学系统,研究了基于神经网络的波前控制方法.建立了无波前探测自适应光学仿真模型,分别采用卷积神经网络(Convolution Neural Network,CNN)和普通神经
【机 构】
：
华北理工大学电气工程学院,河北唐山063210
论文部分内容阅读
针对无波前探测自适应光学系统,研究了基于神经网络的波前控制方法.建立了无波前探测自适应光学仿真模型,分别采用卷积神经网络(Convolution Neural Network,CNN)和普通神经网络(General Neural Network,GNN)作为控制算法,远场光斑图像为神经网络的输入信号,一定阶数的泽尼克模式系数为神经网络的输出,分析了波前校正效果.仿真结果表明,经过充分训练后的神经网络可以快速、准确地从远场光斑图像中复原出入射波前的低阶泽尼克模式系数,CNN的效果优于GNN,二者的损失函数值分别为0.015 8和0.037 6.相比于传统的迭代式寻优控制方法,神经网络控制方法能够基于远场光斑图像快速得到控制信号,在实时性方面有明显优势.
其他文献
在静态背景下,运动目标检测常用的最简单、运算量小的为帧差法,应用最为广泛的是背景减除法,而光流法具有不需要预先知道场景信息的情况下,也有较好检测效果的特点,但它们都存在着各自的不足。而背景减除法中最常用的视觉背景提取(Vi Be)在运动目标检测时存在阈值固定、检测出现鬼影以及检测缓慢移动目标时出现残影等一系列问题。基于Vi Be算法的基础上,研究设计出了一种改进的静态背景下目标检测与提取算法,该算
机械零件的光学超精密检测可提升零件的经济效益,为提升机械零件的光学超精密检测精度,研究基于人工智能技术的光学超精密检测技术,在机械零件的光学超精密检测中赋予人工智能机械学习模式,将机械记录的每次人为移动机械零件的动作和位置信息、光照强度等信息作为输入量进行机械计算,并将输出信息和输入量保存在存储器中。采用光学白光干涉测量和共聚焦测量技术,检测一次机械零件微米级以上宏观运动或微米级以下微观运动,根据
激光自混合干涉实验信号含有严重的噪声,噪声会对位移的测量产生较大的影响,为了保证位移测量的准确性,提出了基于VMD与小波阈值的滤波方法.利用VMD将信号分解为k个固有模态
为提升激光偏振度测量的精度与时效性,设计基于嵌入式技术的激光偏振度测量系统,其包括探测、控制器与上位机3部分,通过探测部分接收激光器发射的激光并通过两个液晶可变相位
当前大部分异常信息检测方法均存在依赖异常信息特征,从被检测目标发现攻击行为的弊端,不适于多域光网络异常信息检测,为此,提出一种基于光度数据的多域光网络异常信息检测方
传统通信模拟系统设计较为复杂,导致模拟过程消耗能量较大,不能准确模拟稳频通信质量.因此,提出基于Matlab的量子激光雷达稳频通信模拟系统.由于振荡器是雷达形成初始信号源
针对常规模型在配准过程中所需迭代次数过多的问题,提出基于激光扫描反射式三维视觉的室内场景CAD模型研究。获取原始图像空间分布情况,分析场景特征,利用金字塔分层结构,建立高斯差分尺度空间,得到匹配数据,利用池化层提取语义信息,完成基于激光扫描反射式三维视觉的室内场景CAD模型的建立。设计实验,将所建立模型与三种常规模型对比,对比结果证实,所构建模型在配准过程中所需的迭代次数更少,能够有效缩短迭代时长