CN111272277A - 一种基于神经网络的激光脉冲波形测量畸变校正方法及系统 - Google Patents
一种基于神经网络的激光脉冲波形测量畸变校正方法及系统 Download PDFInfo
- Publication number
- CN111272277A CN111272277A CN202010069962.8A CN202010069962A CN111272277A CN 111272277 A CN111272277 A CN 111272277A CN 202010069962 A CN202010069962 A CN 202010069962A CN 111272277 A CN111272277 A CN 111272277A
- Authority
- CN
- China
- Prior art keywords
- waveform
- neural network
- measurement
- distortion
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 88
- 238000012937 correction Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000003287 optical effect Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J1/4257—Photometry, e.g. photographic exposure meter using electric radiation detectors applied to monitoring the characteristics of a beam, e.g. laser beam, headlamp beam
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J2001/4238—Pulsed light
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Optics & Photonics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开一种基于神经网络的激光脉冲波形测量畸变校正方法及系统,包括训练数据的采集、数据的处理、训练神经网络形成波形校正神经网络模型,训练数据采集阶段使用畸变大和畸变小的两套测量系统同时对波形进行测量,并使用波形匹配方法对两套数据进行匹配,构建训练数据集,对神经网络进行训练,并用于畸变校正。本发明利用算法来对测量所得的波形数据进行畸变校正,算法基于大量数据训练形成的神经网络,本发明无需研究畸变原理,无需添加硬件,鲁棒性强。
Description
技术领域
本发明属于光电测量畸变校正领域,具体地说涉及一种基于神经网络的激光脉冲波形测量畸变校正方法及系统。
背景技术
激光脉冲波形的取样测量如图1所示,主光路脉冲1经过取样反射镜2,大部分能量透过,小部分能量反射形成取样光路脉冲,经过透镜3后聚焦汇入光电管4,经过光电转换变为电信号,经过电缆5传输至示波器6后形成测量波形。其中,光电管,传输电缆和示波器都存在带宽限制,对于脉冲宽度较短或者变化较快的脉冲波形,测量器件的响应受限于其带宽,且跟器件的参数和精度密切相关。
如图2所示为电缆长度不同时对同一波形的测量结果,以2m和7m长电缆为例,如图2可见电缆长度较大时,脉冲的前沿和后沿均出现畸变,其中前沿降低,后沿出现拖尾。但在特定的测量环境下,电缆的长度不可能太短,这就意味着某些畸变不可能消除,而需要校正。传统的畸变校正方法为,研究畸变产生的原理,根据原理在测量系统中加入相应的校正电路进行电信号的校正,但该方法不可调节,只能校正特定的测量系统,且硬件开发和系统改造效率低,适应性差。
因此,现有技术有待于进一步改进和发展。
发明内容
针对现有技术的种种不足,为了解决上述问题,现提出一种基于神经网络的激光脉冲波形测量畸变校正方法及系统。
本发明提供如下技术方案:
一种基于神经网络的激光脉冲波形测量畸变校正方法,其中,训练数据采集阶段使用畸变大和畸变小的两套测量系统同时对波形进行测量,并使用波形匹配方法对两套数据进行匹配,构建训练数据集,对神经网络进行训练,并用于畸变校正。
一种基于神经网络的激光脉冲波形测量畸变校正方法,其中,畸变大测量系统包括反射镜、透镜、光电管、传输电缆、示波器,反射镜、透镜、光电管沿光路依次设置,传输电缆连接光电管与示波器,畸变小测量系统是在畸变大测量系统基础上,在所述反射镜和透镜之间加设半透半反镜,在半透半反镜反射光路方向上依次设置的高精度光电管、高带宽电缆和高精度示波器,所述高带宽电缆连接高精度光电管与高精度示波器。
一种基于神经网络的激光脉冲波形测量畸变校正方法,其中,训练数据采集阶段使用畸变大和畸变小的两套测量系统同时对波形进行测量具体为:激光脉冲主光路经反射镜、透镜后,通过半透半反镜形成两路光束,其一路光束经反射进入高精度光电管,利用高精度示波器进行波形测量,得到高精度测量数据,另一光束经透射进入光电管,利用示波器进行波形测量,得到低精度测量数据,将两套数据同时存储。
一种基于神经网络的激光脉冲波形测量畸变校正方法,其中,改变主光路激光波形,遍历可能出现的所有波形类型,利用两套测量系统完成测量过程,采集足够量波形数据。
一种基于神经网络的激光脉冲波形测量畸变校正方法,其中,对所采集的波形数据进行处理,去除脉冲前后的无信号部分,减去本底,将高精度测量数据和低精度测量数据进行重采样,使得其采样率统一,再进行脉冲边沿对齐,即形成高低精度测量数据成对的训练数据集。
一种基于神经网络的激光脉冲波形测量畸变校正方法,其中,构建卷积神经网络,将构建的训练数据集代入该网络,以训练数据集中低精度测量数据作为输入,以训练数据集中高精度测量数据作为输出,对神经网络进行训练,得到训练完成的波形校正神经网络模型。
一种基于神经网络的激光脉冲波形测量畸变校正方法,其中,所述畸变校正过程为:采集并处理波形数据,将处理后波形输入波形校正神经网络模型,正向计算神经网络,输出波形即为畸变校正后的结果。
一种基于神经网络的激光脉冲波形测量畸变校正系统,其中,包括:
数据采集模块,用于通过畸变大和畸变小两套测量系统同时对波形进行测量,获取波形数据;
数据处理模块,用于处理所获取的波形数据,并进一步形成高低精度测量结果成对的训练数据集;
神经网络训练模块,用于利用训练数据集的数据对神经网络进行训练,形成波形校正神经网络模型;
校正模块,用于利用波形校正神经网络模型对所采集的波形数据进行畸变校正。
有益效果:
本发明提供了一种基于神经网络的激光脉冲波形测量畸变校正方法及系统,利用算法来对测量所得的波形数据进行畸变校正,算法基于大量数据训练形成的神经网络。该方法的优点为无需研究畸变原理,无需添加硬件,鲁棒性强。
附图说明
图1是激光脉冲波形取样测量示意图;
图2是不同长度的电缆传输对同一激光脉冲波形的测量结果;
图3是本发明具体实施方式中训练数据采集光路示意图;
图4是本发明具体实施方式中带畸变校正的激光脉冲波形取样测量示意图;
图5是本发明具体实施方式中一种基于神经网络的激光脉冲波形测量畸变校正系统原理框图。
图中:1-主光路脉冲、2-反射镜、3-透镜、4-光电管、5-电缆、6-示波器、7-高精度光电管、8-高带宽电缆、9-高精度示波器、10-计算机、11-半透半反镜
具体实施方式
为了使本领域的人员更好地理解本发明的技术方案,下面结合本发明的附图,对本发明的技术方案进行清楚、完整的描述,基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例,都应当属于本申请保护的范围。此外,以下实施例中提到的方向用词,例如“上”“下”“左”“右”等仅是参考附图的方向,因此,使用的方向用词是用来说明而非限制本发明创造。
一种基于神经网络的激光脉冲波形测量畸变校正方法,其中,训练数据采集阶段使用畸变大和畸变小的两套测量系统同时对波形进行测量,并使用波形匹配方法对两套数据进行匹配,构建训练数据集,对神经网络进行训练,并用于畸变校正。
进一步的,所述畸变大测量系统包括反射镜2、透镜3、光电管4、传输电缆5、示波器6,反射镜2、透镜3、光电管4沿光路依次设置,传输电缆5连接光电管4与示波器6,畸变小测量系统是在畸变大测量系统基础上,在所述反射镜2和透镜3之间加设半透半反镜11,在半透半反镜11反射光路方向上依次设置的高精度光电管7、高带宽电缆8和高精度示波器6,所述高带宽电缆8连接高精度光电管7与高精度示波器6。
进一步的,所述训练数据采集阶段使用畸变大和畸变小的两套测量系统同时对波形进行测量具体为:如图3所示,激光脉冲主光路经反射镜2、透镜33后,通过半透半反镜11形成两路光束,其一路光束经反射进入高精度光电管7,经过较短的高带宽电缆8后,利用高精度示波器9进行波形测量,得到高精度测量数据,另一光束经透射进入光电管4,利用示波器6进行波形测量,得到低精度测量数据,将两套数据同时存储于计算机10上。
进一步的,改变主光路激光波形,遍历可能出现的所有波形类型,利用两套测量系统完成测量过程,重复上述测量过程,采集足够量波形数据。
进一步的,对所采集的波形数据进行处理,去除脉冲前后的无信号部分,减去本底,将高精度测量数据和低精度测量数据进行重采样,使得其采样率统一,如图2所示,再进行脉冲边沿对齐,即形成高低精度测量数据成对的训练数据集。
进一步的,构建卷积神经网络,将构建的训练数据集代入该网络,以训练数据集中低精度测量数据作为输入,以训练数据集中高精度测量数据作为输出,对神经网络进行训练,得到训练完成的波形校正神经网络模型。
进一步的,使用如图4的波形测量光路,即在图1原测量光路末端加入计算机10,进行激光脉冲波形测量,采集波形数据。
进一步的,所述畸变校正过程为:采集并处理波形数据,将处理后波形输入波形校正神经网络模型,正向计算神经网络,输出波形即为畸变校正后的结果。
一种基于神经网络的激光脉冲波形测量畸变校正系统,如图5所示,包括:
数据采集模块100,用于通过畸变大和畸变小两套测量系统同时对波形进行测量,获取波形数据;
数据处理模块200,用于处理所获取的波形数据,并进一步形成高低精度测量结果成对的训练数据集;
神经网络训练模块300,用于利用训练数据集的数据对神经网络进行训练,形成波形校正神经网络模型;
校正模块400,用于利用波形校正神经网络模型对所采集的波形数据进行畸变校正。
以上已将本发明做一详细说明,以上所述,仅为本发明之较佳实施例而已,当不能限定本发明实施范围,即凡依本申请范围所作均等变化与修饰,皆应仍属本发明涵盖范围内。
Claims (8)
1.一种基于神经网络的激光脉冲波形测量畸变校正方法,其特征在于,训练数据采集阶段使用畸变大和畸变小的两套测量系统同时对波形进行测量,并使用波形匹配方法对两套数据进行匹配,构建训练数据集,对神经网络进行训练,并用于畸变校正。
2.根据权利要求1所述的基于神经网络的激光脉冲波形测量畸变校正方法,其特征在于,畸变大测量系统包括反射镜、透镜、光电管、传输电缆、示波器,反射镜、透镜、光电管沿光路依次设置,传输电缆连接光电管与示波器,畸变小测量系统是在畸变大测量系统基础上,在所述反射镜和透镜之间加设半透半反镜,在半透半反镜反射光路方向上依次设置的高精度光电管、高带宽电缆和高精度示波器,所述高带宽电缆连接高精度光电管与高精度示波器。
3.根据权利要求2所述的基于神经网络的激光脉冲波形测量畸变校正方法,其特征在于,训练数据采集阶段使用畸变大和畸变小的两套测量系统同时对波形进行测量具体为:激光脉冲主光路经反射镜、透镜后,通过半透半反镜形成两路光束,其一路光束经反射进入高精度光电管,利用高精度示波器进行波形测量,得到高精度测量数据,另一光束经透射进入光电管,利用示波器进行波形测量,得到低精度测量数据,将两套数据同时存储。
4.根据权利要求3所述的基于神经网络的激光脉冲波形测量畸变校正方法,其特征在于,改变主光路激光波形,遍历可能出现的所有波形类型,利用两套测量系统完成测量过程,采集足够量波形数据。
5.根据权利要求4所述的基于神经网络的激光脉冲波形测量畸变校正方法,其特征在于,对所采集的波形数据进行处理,去除脉冲前后的无信号部分,减去本底,将高精度测量数据和低精度测量数据进行重采样,使得其采样率统一,再进行脉冲边沿对齐,即形成高低精度测量数据成对的训练数据集。
6.根据权利要求5所述的基于神经网络的激光脉冲波形测量畸变校正方法,其特征在于,构建卷积神经网络,将构建的训练数据集代入该网络,以训练数据集中低精度测量数据作为输入,以训练数据集中高精度测量数据作为输出,对神经网络进行训练,得到训练完成的波形校正神经网络模型。
7.根据权利要求6所述的基于神经网络的激光脉冲波形测量畸变校正方法,其特征在于,所述畸变校正过程为:采集并处理波形数据,将处理后波形输入波形校正神经网络模型,正向计算神经网络,输出波形即为畸变校正后的结果。
8.一种基于神经网络的激光脉冲波形测量畸变校正系统,其特征在于,包括:
数据采集模块,用于通过畸变大和畸变小两套测量系统同时对波形进行测量,获取波形数据;
数据处理模块,用于处理所获取的波形数据,并进一步形成高低精度测量结果成对的训练数据集;
神经网络训练模块,用于利用训练数据集的数据对神经网络进行训练,形成波形校正神经网络模型;
校正模块,用于利用波形校正神经网络模型对所采集的波形数据进行畸变校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069962.8A CN111272277A (zh) | 2020-01-21 | 2020-01-21 | 一种基于神经网络的激光脉冲波形测量畸变校正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069962.8A CN111272277A (zh) | 2020-01-21 | 2020-01-21 | 一种基于神经网络的激光脉冲波形测量畸变校正方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111272277A true CN111272277A (zh) | 2020-06-12 |
Family
ID=71002155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010069962.8A Pending CN111272277A (zh) | 2020-01-21 | 2020-01-21 | 一种基于神经网络的激光脉冲波形测量畸变校正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111272277A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180583A (zh) * | 2020-10-30 | 2021-01-05 | 中国工程物理研究院激光聚变研究中心 | 一种基于全光神经网络的自适应光学系统 |
CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
CN113063507A (zh) * | 2021-03-26 | 2021-07-02 | 中国科学院物理研究所 | 基于卷积神经网络的超短脉冲宽度预测方法 |
CN113552725A (zh) * | 2021-07-20 | 2021-10-26 | 中国工程物理研究院激光聚变研究中心 | 一种激光束同轴同波面控制系统及方法 |
CN117639452A (zh) * | 2024-01-23 | 2024-03-01 | 深圳市科沃电气技术有限公司 | 逆变器的电压补偿方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5677998A (en) * | 1992-08-21 | 1997-10-14 | British Nuclear Fuels Plc | Apparatus for pulsed electrical circuitry |
JPH11237306A (ja) * | 1998-02-19 | 1999-08-31 | Nippon Telegr & Teleph Corp <Ntt> | 光パルス試験方法 |
US20040034608A1 (en) * | 2002-03-27 | 2004-02-19 | Praxair Technology, Inc. | Luminescence sensing system for welding |
CN107123089A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院遥感与数字地球研究所 | 基于深度卷积网络的遥感图像超分辨重建方法及系统 |
CN107171717A (zh) * | 2017-05-31 | 2017-09-15 | 武汉光迅科技股份有限公司 | 一种从畸变的信号中恢复理想信号的方法和系统 |
CN109284719A (zh) * | 2018-09-28 | 2019-01-29 | 成都臻识科技发展有限公司 | 一种基于机器学习的初始数据处理方法和系统 |
WO2019038757A2 (en) * | 2017-08-21 | 2019-02-28 | Infinity Augmented Reality Israel Ltd. | DOUBLE ACCURACY SENSOR SYSTEM USING HIGH PRECISION SENSOR DATA FOR LEARNING ON LOW PRECISION SENSOR DATA FOR LOCATION OF OBJECTS IN A VIRTUAL ENVIRONMENT |
CN109459719A (zh) * | 2018-12-25 | 2019-03-12 | 北京无线电计量测试研究所 | 一种宽带示波器探头上升时间的校准方法及装置 |
CN109541616A (zh) * | 2018-10-09 | 2019-03-29 | 天津大学 | Bp神经网络雨、雪、雾天气脉冲激光测距方法 |
CN109557489A (zh) * | 2019-01-08 | 2019-04-02 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN109724692A (zh) * | 2018-12-29 | 2019-05-07 | 华南农业大学 | 一种光照度传感器校正方法、系统、存储介质、计算设备 |
CN110332990A (zh) * | 2019-05-24 | 2019-10-15 | 深圳大学 | 一种基于深度学习的大气湍流实时补偿方法及系统 |
-
2020
- 2020-01-21 CN CN202010069962.8A patent/CN111272277A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5677998A (en) * | 1992-08-21 | 1997-10-14 | British Nuclear Fuels Plc | Apparatus for pulsed electrical circuitry |
JPH11237306A (ja) * | 1998-02-19 | 1999-08-31 | Nippon Telegr & Teleph Corp <Ntt> | 光パルス試験方法 |
US20040034608A1 (en) * | 2002-03-27 | 2004-02-19 | Praxair Technology, Inc. | Luminescence sensing system for welding |
CN107123089A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院遥感与数字地球研究所 | 基于深度卷积网络的遥感图像超分辨重建方法及系统 |
CN107171717A (zh) * | 2017-05-31 | 2017-09-15 | 武汉光迅科技股份有限公司 | 一种从畸变的信号中恢复理想信号的方法和系统 |
WO2019038757A2 (en) * | 2017-08-21 | 2019-02-28 | Infinity Augmented Reality Israel Ltd. | DOUBLE ACCURACY SENSOR SYSTEM USING HIGH PRECISION SENSOR DATA FOR LEARNING ON LOW PRECISION SENSOR DATA FOR LOCATION OF OBJECTS IN A VIRTUAL ENVIRONMENT |
CN109284719A (zh) * | 2018-09-28 | 2019-01-29 | 成都臻识科技发展有限公司 | 一种基于机器学习的初始数据处理方法和系统 |
CN109541616A (zh) * | 2018-10-09 | 2019-03-29 | 天津大学 | Bp神经网络雨、雪、雾天气脉冲激光测距方法 |
CN109459719A (zh) * | 2018-12-25 | 2019-03-12 | 北京无线电计量测试研究所 | 一种宽带示波器探头上升时间的校准方法及装置 |
CN109724692A (zh) * | 2018-12-29 | 2019-05-07 | 华南农业大学 | 一种光照度传感器校正方法、系统、存储介质、计算设备 |
CN109557489A (zh) * | 2019-01-08 | 2019-04-02 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN110332990A (zh) * | 2019-05-24 | 2019-10-15 | 深圳大学 | 一种基于深度学习的大气湍流实时补偿方法及系统 |
Non-Patent Citations (2)
Title |
---|
中国人工智能学会: "《中国人工智能进展2001中国人工智能学会第9届全国学术年会暨中国人工智能学会成立二十周年庆祝大会论文集》", 30 November 2001, 北京邮电大学出版社 * |
王海晏等: "《激光辐射及应用》", 30 November 2014, 西安电子科技大学 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180583A (zh) * | 2020-10-30 | 2021-01-05 | 中国工程物理研究院激光聚变研究中心 | 一种基于全光神经网络的自适应光学系统 |
CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
CN113063507A (zh) * | 2021-03-26 | 2021-07-02 | 中国科学院物理研究所 | 基于卷积神经网络的超短脉冲宽度预测方法 |
CN113552725A (zh) * | 2021-07-20 | 2021-10-26 | 中国工程物理研究院激光聚变研究中心 | 一种激光束同轴同波面控制系统及方法 |
CN117639452A (zh) * | 2024-01-23 | 2024-03-01 | 深圳市科沃电气技术有限公司 | 逆变器的电压补偿方法、装置、设备及存储介质 |
CN117639452B (zh) * | 2024-01-23 | 2024-04-23 | 深圳市科沃电气技术有限公司 | 逆变器的电压补偿方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111272277A (zh) | 一种基于神经网络的激光脉冲波形测量畸变校正方法及系统 | |
CN109031654B (zh) | 一种基于卷积神经网络的自适应光学校正方法及系统 | |
CN107764761B (zh) | 一种开放空间大气中有害气体浓度的激光检测系统及其方法 | |
CN107957582A (zh) | 一种基于恒阈值鉴别法的测距装置及测距方法 | |
CN108491185A (zh) | 基于光电混合集成的高速实时量子随机数发生器 | |
CN109682465B (zh) | 一种轨道角动量空间光通信系统下的单强度探测自适应光学系统 | |
CN116338525B (zh) | 一种风电交流送出线路故障测距方法及系统 | |
CN102262224A (zh) | 调幅波锁相式激光测距方法与装置 | |
CN107941353B (zh) | 一种基于双光子关联的相干涡旋拓扑荷的测量法 | |
CN208257815U (zh) | 一种用于量子通信系统的自差分平衡探测装置 | |
CN110086442A (zh) | 一种四象限探测器信号放大电路 | |
CN111698037B (zh) | 基于微波光子的单微波信号波达方向角估计方法 | |
CN112099229A (zh) | 基于远场的高速自适应光学闭环控制方法 | |
CN107894662A (zh) | 一种用于oam光束相位修复的改进spgd算法 | |
CN102252690B (zh) | 激光模式与光阑的相对位置测量系统及其测量方法 | |
CN114035300B (zh) | 大容量空间光通信链路下基于变焦透镜的自适应校正方法 | |
CN115097497B (zh) | 一种多通道接收机的幅相校正方法及系统 | |
CN113259014B (zh) | 一种基于数据判决相关的qd光斑检测系统及检测方法 | |
CN205657309U (zh) | 一种双脉冲双向传输型放大系统波前校正器 | |
CN110361037B (zh) | 基于弱光栅阵列分布式传感预处理系统与寻峰方法 | |
CN109302238B (zh) | 一种光iq调制器参数调节方法及系统 | |
CN207427326U (zh) | 用于高功率激光近场测量的高信噪比探测装置 | |
CN105606213A (zh) | 一种激光微脉冲峰值功率测试装置 | |
CN105610044B (zh) | 一种双脉冲双向传输型放大系统波前校正器及校正方法 | |
CN115567112B (zh) | 一种基于多程放大的光纤信号传输系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |