一种基于BP神经网络的倍频波前探测方法

摘要

本发明公开了一种基于BP神经网络的倍频波前探测方法，属于光学信息测量技术领域，利用泽尼克系数表征含畸变的基频光束和相应倍频光束的波前信息并组成训练集，再通过BP神经网络拟合两者之间的非线性关系，BP神经网络训练完成后，即可通过采集到的倍频光波前信息，直接复原出全口径的待测基频光束的波前信息。本发明将神经网络应用到基频、倍频光束相位关系的拟合上，简化了基于非线性倍频波前探测技术的测量过程，且模型预测过程迅速，足以满足实时波前探测的需求。

权利要求

1.一种基于BP神经网络的倍频波前探测方法，其特征在于：该方法用BP神经网络构建基频光、倍频光相位之间的非线性关系，利用此关系实现倍频波前探测，具体通过以下步骤实现：S1，根据基频光、倍频光波前泽尼克系数构造训练集；

S2，基于BP神经网络训练基频光波前泽尼克系数和倍频光波前泽尼克系数对应关系的神经网络模型；

S3，神经网络模型构建完成后，将待测基频光束经非线性晶体进行倍频，所产生的倍频光束进入波前传感器，波前传感器将探测到的波前信息输入到计算机；

S4，计算机根据探测到的倍频光波前信息，计算倍频光波前泽尼克系数并作为输入，利用S2构建好的BP神经网络模型得到待测基频光波前的泽尼克系数；

S5，计算机根据待测基频光波前的泽尼克系数复原波前，完成波前探测。

2.根据权利要求1所述的一种基于BP神经网络的倍频波前探测方法，其特征在于，步骤S1所述的基频光、倍频光波前泽尼克系数训练集的详细构造过程如下：(S11)平面波基频光束经倍频后，进入波前传感器，记录下此时倍频光束的波前信息，作为标定波前，以抵消缩扩束透镜、分光镜光学元件所产生的附加像差；

(S12)通过相位调制器生成随机像差，计算其泽尼克系数(Z1，Z2，...，Zm)，平面波经相位调制器反射后，产生含相位畸变的基频光束射入非线性晶体；

(S13)产生的倍频光束进入波前传感器，波前传感器将探测到的波前信息输入计算机，解算其泽尼克系数(Z1′，Z2′，...，Zn′)，记录对应的基频光、倍频光波前泽尼克系数{(Z1，Z2，...，Zm)、(Z1′，Z2′，...，Zn′)}，作为一组训练样本；

(S14)重复步骤(S12)、步骤(S13)，随机生成若干组训练样本以构成训练集：{(Z1，Z2，...，Zm)、(Z1′，Z2′，...，Zn′)}N。

3.根据权利要求1所述的一种基于BP神经网络的倍频波前探测方法，其特征在于，步骤S2所述的网络模型结构及训练过程如下：(S21)设输入层单元数为n，即倍频光波前前n阶泽尼克系数，输出层单元数为m，即基频光波前前m阶泽尼克系数；

(S22)隐含层单元数： a取[1，10]之间的常数；

(S23)激励函数：

(S24)误差公式： 其中Zk为第k阶泽尼克系数期望输出，Ok为模型预测输出；

(S25)BP神经网络模型的训练采用梯度下降法，选取N组训练集样本进行训练，不断更新迭代网络模型中的权重和阈值，直至BP神经网络总误差小于设定值或者达到迭代次数，即完成训练。

说明书

一种基于BP神经网络的倍频波前探测方法

技术领域

[0001] 本发明属于光学信息测量技术领域，尤其涉及一种基于BP神经网络的倍频波前探测方法。

背景技术

[0002] 波前探测技术是一门测量光束波前畸变的技术，通过对待测光束进行采样、调制并测量相应的信号来重构待测光束的波前信息。目前常见的波前传感器有夏克-哈特曼波前传感器、剪切干涉仪和曲率传感器等等。鉴于波前探测在光学检测、空间目标成像、激光光束净化等领域的重要应用价值，发展精准灵敏、灵活通用的新型波前探测技术一直是人们研究的热点。

[0003] 已有研究人员将非线性倍频与波前探测相结合，来拓展传统波前探测技术的测量范围，但受到相位失配、走离效应等因素的影响,像差在倍频过程中的传递结果不是线性叠加的,而是非线性的，因此难以直接探测。目前研究人员采用的方法是通过末端可移动的光纤耦合器测量倍频的光强分布来计算光束口径内不同位置的相位失配量，然后根据相位失配量与光波波矢的关系求得不同位置的波矢方向，再以此拟合待测基频光束的波前(参见Rocío Borrego-Varillas,Carolina Romero,et al.“Wave-front retrieval of amplified femtosecond beams by second-harmonic generation”Optics Express.19(23),22851,2011)。但该方法目前只适用于一维波前探测，且测量过程复杂，无法满足实时波前探测的需求。

发明内容

[0004] 鉴于上述问题，本发明提出一种基于BP神经网络的倍频波前探测方法，BP神经网络是一种基于误差反向传播算法的前馈神经网络，可有效拟合基频、倍频波前之间的非线性关系，实现实时的全口径倍频波前探测。

[0005] 为了达到上述目的，本发明提供如下技术方案：

[0006] 一种基于BP神经网络的倍频波前探测方法，包括以下步骤：

[0007] S1,根据基频光、倍频光波前泽尼克系数构造训练集；

[0008] S2,基于BP神经网络训练基频光波前泽尼克系数和倍频光波前泽尼克系数对应关系的神经网络模型；

[0009] S3,神经网络模型构建完成后，将待测基频光束经非线性晶体进行倍频，所产生的倍频光束进入波前传感器，波前传感器将探测到的波前信息输入到计算机；

[0010] S4,计算机根据探测到的倍频光波前信息，计算倍频光波前泽尼克系数并作为输入，利用S2构建好的BP神经网络模型得到待测基频光波前的泽尼克系数；

[0011] S5,计算机根据待测基频光波前的泽尼克系数复原波前，至此完成波前探测。

[0012] 作为本发明进一步的方案，步骤S1中训练集的详细构造过程如下：

[0013] S11,平面波基频光束经倍频后，进入波前传感器，记录下此时倍频光束的波前信息，作为标定波前，以抵消缩扩束透镜、分光镜等光学元件所产生的附加像差；

[0014] S12,通过相位调制器生成随机像差，计算其泽尼克系数(Z1,Z2,…,Zm)，平面波经相位调制器反射后，产生含相位畸变的基频光束射入倍频晶体；

[0015] S13,产生的倍频光束进入波前探测器，波前探测器将探测到的波前信息输入计算机，然后计算其泽尼克系数(Z1′,Z2′,…,Zn′)，记录相应基频、倍频泽尼克系数{(Z1,Z2,…,Zm)、(Z1′,Z2′,…,Zn′)}，作为一组训练样本；

[0016] S14,重复步骤S12、步骤S13，随机生成若干组训练样本以构成训练集：

[0017] {(Z1,Z2,…,Zm)、(Z1′,Z2′,…,Zn′)}N。

[0018] 作为本发明再进一步的方案，步骤S2中BP神经网络的构建如下：

[0019] S21,输入层单元数为n，即倍频波前前n阶泽尼克系数，输出层单元数为m，即基频波前前m阶泽尼克系数；

[0020] S22,隐含层单元数： a取[1，10]之间的常数；

[0021] S23,激励函数：

[0022] S24,误差公式： 其中Zk为第k阶泽尼克系数期望输出，Ok为模型预测输出。

[0023] S25,BP神经网络模型的训练采用梯度下降法，选取N组训练集样本进行训练，不断更新迭代网络模型中的权重和阈值，直至BP神经网络总误差小于设定值或者达到迭代次数，即完成训练。

[0024] 与现有技术相比，本发明的有益效果是：

[0025] (1)、采用BP神经网络模型拟合基频、倍频相位之间的非线性关系，直接探测倍频波前，即可复原全口径的待测基频波前；

[0026] (2)、通过线下采集训练样本的方式训练网络模型，实际的在线探测过程可以快速的对待测波前进行复原，满足实时波前探测的需求。

附图说明

[0027] 图1为训练集构建过程示意图；

[0028] 图2为BP神经网络模型示意图；

[0029] 图3为倍频波前探测流程框图；

[0030] 图4为本发明波前探测过程示意图。

[0031] 图中：1.第一缩束透镜，2.第二缩束透镜，3.KDP倍频晶体，4.分光镜，5.第一扩束透镜，6.第二扩束透镜，7.激光线滤光片，8.波前探测器，9.计算机，10.相位调制器。

具体实施方式

[0032] 下面结合附图和实施例对本发明进一步说明。

[0033] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0034] 实施例1：

[0035] 本发明实施例中，一种基于BP神经网络的倍频波前探测方法，详细的探测步骤如下：

[0036] 步骤一，根据基频、倍频波前泽尼克系数构造训练集；

[0037] 所述步骤一中基频、倍频波前泽尼克系数训练集的具体构造过程如下，请参阅图1：

[0038] 1.平面波 基频光束中心波长选为1054nm近红外激光，在相位调制器10(本实施例中选用液晶空间光调制器)不产生附加面型的情况下，经第一缩束透镜1、第二缩束透镜2缩束后，由KDP倍频晶体3倍频产生527nm绿光，分光镜4滤除残余1054nm基频光，第一扩束透镜5、第二扩束透镜6位于分光镜4后，将倍频光扩束后导入哈特曼波前探测器8进行波前探测，激光线滤光片7用以滤除宽带倍频及环境光源所引入的杂散光，计算机9记录下此时倍频光束的波前信息，作为标定波前 以抵消系统中各光学元件所产生的附加像差；

[0039] 2.通过相位调制器10生成随机像差 记录其前15阶泽尼克系数(Z1,Z2,…,Z15)，平面波经相位调制器10反射后，形成含相位畸变的入射基频光束，重复步骤1的倍频探测过程；

[0040] 3.波前探测器8将此时探测到的倍频波前 输入计算机，剔除标定波前即为实际探测到的含畸变倍频波前，然后解算其前65阶泽尼克系数(Z1′,Z2′,…,Z65′)，记录相应基频、倍频泽尼克系数{(Z1,Z2,…,Z15)、(Z1′,Z2′,…,Z65′)}，作为一组训练样本；

[0041] 4.重复步骤2、步骤3，随机生成15000组训练样本以构成训练集：

[0042] {(Z1,Z2,…,Z15)、(Z1′,Z2′,…,Z65′)}15000。

[0043] 步骤二，基于BP神经网络训练基频波前泽尼克系数和倍频波前泽尼克系数对应关系的神经网络模型；

[0044] 所述步骤二中BP神经网络模型的结构及训练过程如下，请参阅图2、图3：

[0045] 1.输入层单元数为65，即倍频波前前65阶泽尼克系数，输出层单元数为15，即基频波前前15阶泽尼克系数；

[0046] 2.隐含层单元数： n,m分别为输入层、输出层单元数，a取[1，10]之间的常数，本模型中隐含层单元数设定为18；

[0047] 3.激励函数：

[0048] 4.误差公式： 其中Zk为第k阶泽尼克系数期望输出，Ok为模型预测输出。

[0049] 5.BP神经网络模型的训练采用梯度下降法，15000组训练集样本归一化处理后输入模型进行训练，不断更新迭代网络模型中的权重和阈值，直至BP神经网络总误差小于设定值或者达到迭代次数，即完成训练。

[0050] 步骤三，请参阅图4，神经网络模型构建完成后，第一缩束透镜1、第二缩束透镜2将待测基频光束缩束后，经KDP倍频晶体3进行倍频，所产生的倍频光束经分光镜4、第一扩束透镜5、第二扩束透镜6及激光线滤光片7，进入波前传感器8，随后将探测到的波前信息输入到计算机9；

[0051] 步骤四，计算机9根据探测到的倍频光波前信息，计算倍频光波前泽尼克系数并作为输入，利用步骤二构建好的BP神经网络模型得到待测基频光波前的泽尼克系数；

[0052] 步骤五，计算机根据待测基频光波前的泽尼克系数复原波前，至此完成波前探测。

[0053] 需要说明的是，本实施例中选用的KDP倍频晶体、基频光波长、哈特曼波前传感器、液晶空间光调制器并不局限于此，均可以用其他合适的非线性晶体、波长、波前传感器和相位调制器代替。

[0054] 至此，已经结合附图对本发明实施例进行了详细的描述。以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的保护范围之内。