SPGD算法是一種應(yīng)用廣泛的無波前探測自適應(yīng)光學控制算法。傳統(tǒng)SPGD算法中增益系數(shù)保持某一固定值不變,隨著變形鏡單元數(shù)的增加,這將導(dǎo)致算法收斂速度變慢及陷入局部極值的概率增大。Adam優(yōu)化器是深度學習常用的一種優(yōu)化隨機梯度下降算法,它具有增益系數(shù)自適應(yīng)性調(diào)整的特點。將Adam優(yōu)化器自適應(yīng)調(diào)整增益系數(shù)的優(yōu)勢與SPGD算法結(jié)合起來用于自適應(yīng)光學系統(tǒng)控制。分別以32、61、97、127單元變形鏡作為波前校正器件,不同湍流強度的波前像差作為校正對象,建立了無波前探測自適應(yīng)光學系統(tǒng)模型。結(jié)果表明,優(yōu)化后的算法收斂速度更快,而且陷入局部極值的概率降低,并且隨著變形鏡單元數(shù)的增加與湍流強度的增大,算法的優(yōu)勢更加明顯。以上研究結(jié)果為基于Adam優(yōu)化的SPGD算法的實際應(yīng)用提供了理論基礎(chǔ)。 

【文章來源】：紅外與激光工程. 2020,49(10)北大核心EICSCD

【文章頁數(shù)】：7 頁

【參考文獻】：
期刊論文
[1]深度學習的空間紅外弱小目標狀態(tài)感知方法[J]. 黃樂弘,曹立華,李寧,李毅.  中國光學. 2020(03)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標檢測研究綜述[J]. 范麗麗,趙宏偉,趙浩宇,胡黃水,王振.  光學精密工程. 2020(05)
[3]模型式無波前探測自適應(yīng)光學系統(tǒng)抗噪能力分析[J]. 楊慧珍,王斌,劉瑞明,馬良.  紅外與激光工程. 2017(08)
[4]自適應(yīng)光學隨機并行梯度下降算法波前整形規(guī)律仿真(英文)[J]. 王衛(wèi)兵,王挺峰,郭勁.  中國光學. 2014(03)
[5]自適應(yīng)光學系統(tǒng)隨機并行梯度下降控制算法實驗研究[J]. 楊慧珍,陳波,李新陽,姜文漢.  光學學報. 2008(02)



本文編號：3476442