CN112180583A - 一种基于全光神经网络的自适应光学系统 - Google Patents
一种基于全光神经网络的自适应光学系统 Download PDFInfo
- Publication number
- CN112180583A CN112180583A CN202011184212.1A CN202011184212A CN112180583A CN 112180583 A CN112180583 A CN 112180583A CN 202011184212 A CN202011184212 A CN 202011184212A CN 112180583 A CN112180583 A CN 112180583A
- Authority
- CN
- China
- Prior art keywords
- optical
- neural network
- deformable mirror
- optical diffraction
- optics system
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B26/00—Optical devices or arrangements for the control of light using movable or deformable optical elements
- G02B26/06—Optical devices or arrangements for the control of light using movable or deformable optical elements for controlling the phase of light
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Optics & Photonics (AREA)
- Mechanical Light Control Or Optical Switches (AREA)
Abstract
本发明涉及一种基于全光神经网络的自适应光学系统,属于自适应光学系统技术领域,包括全光神经网络解算器、光伏转换阵列和高压放大器,本发明采用由光学衍射板构成的全光神经网络解算器对目标光束进行解算调制,转换为驱动变形镜的光信号,替代传统自适应光学系统中的波前传感、信号解算、数模转换等器件,其响应带宽可达到KHz量级,能够满足非合作目标场景下的高带宽波前控制要求,同时,由光路取代了传统的电路,以极低功耗和极高的响应速度实现目标光束至变形镜驱动电信号的运算,达到实时波前校正的效果,可应用于军事等对光束波前校正有高响应带宽要求的场景中。
Description
技术领域
本发明属于自适应光学系统技术领域,具体地说涉及一种基于全光神经网络的自适应光学系统。
背景技术
鉴于激光对传输通道位相的敏感性,大气湍流等效应引起的位相扰动会导致激光束波面的扰动,严重降低激光束的聚焦性能,因而限制了激光作为远距离作战手段的能力发挥。为了解决大气湍流波前扰动的问题,可对光束波前进行校正的自适应光学(AO)技术应运而生。典型的自适应光学波前控制系统主要由波前传感器、控制处理器、波前校正器等三个基本部分构成一个基本的闭环控制系统,如图1所示。波前传感器的功能是对光束通道的位相信息进行检测;控制处理器根据波前传感器提供的检测数据,通过控制解算算法,给出控制反馈信息;波前校正器根据控制处理器反馈的信息,对光束波前进行补偿控制,从而使光束波前得到校正与改善。
目前,大气传输自适应光学波前控制存在两个关键技术难点:第一、无信标非合作目标场景下,难以通过波前传感器直接获得光学通道相位信息,而往往通过测量光束强度分布来解算相位,解算过程耗时严重。第二、闭环控制带宽要求极高,由于流体力学效应,高速运动物体会在其表面形成一层非稳态的、快速变化的流体层,又称附面层。附面层的气动光学效应引起的位相扰动,其频响特性达到KHz量级。焦斑检测、波前检测和斜率检测等当前主流的波前传感方案均必须能够有信标光的配合,直接对光学通道的波前进行监测,因而无法适用于非合作目标的场景。对于非合作目标,需采用基于目标成像的反卷积迭代算法,获得激光发射通道的位相信息,因而在数据处理环节需面对二维数字图像的运算。基于数字信息系统的深度学习神经网络,可以通过训练获得接收图像与控制响应之间的解算关系,但无法规避模数转换、数据传输、运算等费时的环节,因而难以实现KHz量级的控制带宽。综上所述,攻克非合作目标场景下的高带宽波前控制技术是当前大气传输自适应光学系统亟待解决的关键、迫切问题。
发明内容
发明人在长期实践中总结发现:光学通道的位相信息将会以成像光学系统的点扩展函数的形式体现在对目标成像的二维图像信息中,因此,可以采用深度学习神经网络智能算法捕获其中隐藏的光学通道位相信息,同时,只要有足够多的训练样本和基本合理的神经网络模型,就可以实现相当高的控制精度。而基于纯光学途径的深度学习神经网络构造方法可以“光的速度”进行控制解算,规避控制解算环节的数字转换、传输、运算等耗时较长的过程,以对目标成像获得的二维图像信息为输入,以“光的速度”进行控制解算,输出以光束强度表征的控制参量模拟量,直接通过光电探测器模拟信号驱动高压放大器,进而驱动变形镜,完成波前闭环控制。
为实现上述目的,本发明提供如下技术方案:
一种基于全光神经网络的自适应光学系统,包括:
全光神经网络解算器,目标光束经变形镜反射至全光神经网络解算器,解算成以光束强度定义的变形镜驱动量信息,所述目标光束为由目标发射的或反射的光束;
光伏转换阵列,其用于将变形镜驱动量信息转换成弱电模拟信号;
和高压放大器,其用于对弱电模拟信号进行放大,以驱动变形镜各单元做出校正动作。
优选的,所述全光神经网络解算器由多块光学衍射板组成,且多块光学衍射板对齐且间隔设置。
优选的,所述光学衍射板的面形由神经网络训练算法生成,并利用光刻技术在其玻璃表面刻蚀而成。
优选的,所述神经网络训练算法包括两个关键点,即训练数据和训练方法。
优选的,所述训练数据的获取过程为:随机生成若干波前畸变分布,确定变形镜的致动单元数及分布,利用传统自适应光学系统的数值模型计算生成对应的校正电压,得到若干波前畸变与校正电压的数据对形成数据集(即训练数据)。
优选的,所述训练方法包括以下步骤:
S1、随机生成光学衍射板初始面形。
S2、模拟数据对1中波前畸变的光学通过光学衍射板后的光强分布,所述光强分布以事先设置的转换系数转换为变形镜致动单元的校正电压,所述校正电压与数据对1中的电压真值存在差距,继而以一定的学习率对光强分布进行修正,使其换算后靠近电压真值,对修正后的光场进行反向传输,得到在各块光学衍射板处需要修正的波前,依次修正各块光学衍射板面形。
S3、切换为数据对2中的波前畸变,重复步骤S2,再次对光学衍射板面形进行修正。
S4、重复步骤S3,直到用完所有数据对,再从数据对1开始重复下一轮训练,训练轮数视训练收敛情况而定。
上述训练方法的详细过程可参考《Science》文章(All-optical machinelearning using diffractive deep neural networks)中衍射光学网络的训练方法,其以手写数字图像为输入,以数字识别结果为输出,虽然本发明以波前畸变为输入,以校正电压为输出,但是,两者的训练方法是通用的。
优选的,所述全光神经网络解算器由5块光学衍射板构成,且光学衍射板的横截面为正方形,其边长为1毫米,相邻光学衍射板的间距为100微米。
发明人在进行大量实验后发现:当光学衍射板的数量超过5块时,其实验测试效果与5块光学衍射板的实验测试结果相差不大,为减小成本,发明人将光学衍射板的数量优选为5块。同时,相邻光学衍射板的间距是依据光学衍射板最小单元(像素)尺寸对应的衍射发散角确定的,发散角一定时,距离决定了两块光学衍射板之间的连接范围(面积),距离太大容易超出边界,反之,距离太小,连接范围太小,构成的神经网络连接数太少。
优选的,所述光伏转换阵列包括多个转换单元,且转换单元与变形镜致动单元的数量及排布结构相同。
优选的,所述目标光束成像于第1块光学衍射板表面后,依次通过其他的光学衍射板,并聚焦至光伏转换阵列的转换单元,所述第1块光学衍射板为目标光束经变形镜反射后首先通过的光学衍射板。
优选的,所述高压放大器包括多个相互独立的子线路,所述子线路的输入端与光伏转换阵列的转换单元连接,其输出端与变形镜的致动单元连接,且子线路、光伏转换阵列的转换单元和变形镜的致动单元设置为一对一形式。
优选的,所述目标光束分布于各光学衍射板表面的光束强度与将要施加于变形镜致动单元的电压成正比。
本发明的有益效果是:
采用由光学衍射板构成的全光神经网络解算器对目标光束进行解算调制,转换为驱动变形镜的光信号,替代传统自适应光学系统中的波前传感、信号解算、数模转换等器件,其响应带宽可达到KHz量级,能够满足非合作目标场景下的高带宽波前控制要求,同时,由光路取代了传统的电路,以极低功耗和极高的响应速度实现目标光束至变形镜驱动电信号的运算,达到实时波前校正的效果,可应用于军事等对光束波前校正有高响应带宽要求的场景中。
附图说明
图1为典型的自适应光学系统构造示意图;
图2为本发明的整体结构示意图;
图3为本发明实施例二的结构示意图;
图4为本发明实施例二中变形镜的致动单元分布示意图;
图5为本发明实施例二中光学衍射板的面形示意图。
附图中:1-波前传感器、2-控制处理器、3-波前校正器、4-目标光束、5-光学通道、6-变形镜、7-全光神经网络解算器、8-光伏转换阵列、9-高压放大器、10-目标、11-透镜。
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。
实施例一:
如图2所示,一种基于全光神经网络的自适应光学系统,包括全光神经网络解算器7、光伏转换阵列8和高压放大器9,其中,目标光束4经过包含附面层在内的光学通道5,携带了其中的位相畸变信息,目标光束4经变形镜6反射至全光神经网络解算器7,解算成以光束强度定义的变形镜驱动量信息(即光信号),所述目标光束4为由目标发射的或反射的光束,光伏转换阵列8用于将变形镜驱动量信息转换成弱电模拟信号,即光伏转换阵列8将光信号转换成电信号,同时,弱电模拟信号经高压放大器9进行放大,以驱动变形镜6各单元做出校正动作。
所述全光神经网络解算器7由多块光学衍射板组成,且多块光学衍射板对齐且间隔设置,具体的,所述光学衍射板的面形由神经网络训练算法生成,并利用光刻技术在其玻璃表面刻蚀而成。
所述神经网络训练算法包括两个关键点,即训练数据和训练方法。
具体的,所述训练数据的获取过程为:随机生成若干波前畸变分布,确定变形镜的致动单元数及分布,利用传统自适应光学系统的数值模型计算生成对应的校正电压,得到若干波前畸变与校正电压的数据对形成数据集(即训练数据)。
所述训练方法包括以下步骤:S1、随机生成光学衍射板初始面形。S2、模拟数据对1中波前畸变的光学通过光学衍射板后的光强分布,所述光强分布以事先设置的转换系数转换为变形镜致动单元的校正电压,所述校正电压与数据对1中的电压真值存在差距,继而以一定的学习率对光强分布进行修正,使其换算后靠近电压真值,对修正后的光场进行反向传输,得到在各块光学衍射板处需要修正的波前,依次修正各块光学衍射板面形。S3、切换为数据对2中的波前畸变,重复步骤S2,再次对光学衍射板面形进行修正。S4、重复步骤S3,直到用完所有数据对,再从数据对1开始重复下一轮训练,训练轮数视训练收敛情况而定。
所述光伏转换阵列8包括多个转换单元,且转换单元与变形镜6致动单元的数量及排布结构相同。所述目标光束4成像于第1块光学衍射板表面后,依次通过其他的光学衍射板,并聚焦至光伏转换阵列8的转换单元,所述第1块光学衍射板为目标光束4经变形镜6反射后首先通过的光学衍射板,通过对光学衍射板的面形设计,促使所述目标光束4分布于各光学衍射板表面的光束强度与将要施加于变形镜6致动单元的电压成正比。所述高压放大器9包括多个相互独立的子线路,所述子线路的输入端与光伏转换阵列8的转换单元连接,其输出端与变形镜6的致动单元连接,且子线路、光伏转换阵列8的转换单元和变形镜6的致动单元设置为一对一形式。
实施例二:
如图3所示,本实施例与实施例一相同的部分不再赘述,不同的是:
目标光束为由目标10发射的或反射的光束。
变形镜6具有19个致动单元,其致动单元分布如图4所示。在训练数据获取过程中,随机生成50000个波前畸变分布。
全光神经网络解算器7由5块光学衍射板构成,且光学衍射板的横截面为正方形,其边长为1毫米,相邻光学衍射板的间距为100微米,5块光学衍射板的面形如图5所示,其中,图3所示5块光学衍射板由上至下依次采用pp1、pp2、pp3、pp4、pp5表示。
光伏转换阵列8包括19个转换单元,其排布与变形镜6致动单元排布相同。
高压放大器9具有19个子线路,分别一对一连接光学转换阵列8和变形镜6的19个单元。
初始状态时,变形镜6的致动单元输入信号为0,变形镜6无形变,不对输入光束进行波前补偿,目标光束经变形镜6反射后进入透镜11,成像于第1块光学衍射板表面,像大小约为光学衍射板尺寸的一半。然后,目标光束按顺序通过第2至第5块光学衍射板,最后聚焦至光伏转换阵列8中的19个转换单元,转换单元将目标光束强度转换为弱电模拟信号,经高压放大器放大后驱动变形镜6的致动单元,即可实现补偿光束波前的目的。
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)
1.一种基于全光神经网络的自适应光学系统,其特征在于,包括:
全光神经网络解算器,目标光束经变形镜反射至全光神经网络解算器,解算成以光束强度定义的变形镜驱动量信息,所述目标光束为由目标发射的或反射的光束;
光伏转换阵列,其用于将变形镜驱动量信息转换成弱电模拟信号;
和高压放大器,其用于对弱电模拟信号进行放大,以驱动变形镜各单元做出校正动作。
2.根据权利要求1所述的基于全光神经网络的自适应光学系统,其特征在于,所述全光神经网络解算器由多块光学衍射板组成,且多块光学衍射板对齐且间隔设置。
3.根据权利要求2所述的基于全光神经网络的自适应光学系统,其特征在于,所述光学衍射板的面形由神经网络训练算法生成,并利用光刻技术在其玻璃表面刻蚀而成。
4.根据权利要求3所述的基于全光神经网络的自适应光学系统,其特征在于,所述全光神经网络解算器由5块光学衍射板构成,且光学衍射板的横截面为正方形,其边长为1毫米,相邻光学衍射板的间距为100微米。
5.根据权利要求2-4任一所述的基于全光神经网络的自适应光学系统,其特征在于,所述光伏转换阵列包括多个转换单元,且转换单元与变形镜致动单元的数量及排布结构相同。
6.根据权利要求5所述的基于全光神经网络的自适应光学系统,其特征在于,所述目标光束成像于第1块光学衍射板表面后,依次通过其他的光学衍射板,并聚焦至光伏转换阵列的转换单元,所述第1块光学衍射板为目标光束经变形镜反射后首先通过的光学衍射板。
7.根据权利要求6所述的基于全光神经网络的自适应光学系统,其特征在于,所述高压放大器包括多个相互独立的子线路,所述子线路的输入端与光伏转换阵列的转换单元连接,其输出端与变形镜的致动单元连接,且子线路、光伏转换阵列的转换单元和变形镜的致动单元设置为一对一形式。
8.根据权利要求7所述的基于全光神经网络的自适应光学系统,其特征在于,所述目标光束分布于各光学衍射板表面的光束强度与将要施加于变形镜致动单元的电压成正比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184212.1A CN112180583B (zh) | 2020-10-30 | 2020-10-30 | 一种基于全光神经网络的自适应光学系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184212.1A CN112180583B (zh) | 2020-10-30 | 2020-10-30 | 一种基于全光神经网络的自适应光学系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112180583A true CN112180583A (zh) | 2021-01-05 |
CN112180583B CN112180583B (zh) | 2022-07-01 |
Family
ID=73916162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011184212.1A Active CN112180583B (zh) | 2020-10-30 | 2020-10-30 | 一种基于全光神经网络的自适应光学系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112180583B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326653A (zh) * | 2021-05-17 | 2021-08-31 | 中国工程物理研究院激光聚变研究中心 | 一种基于神经网络的离轴三反光学系统的设计方法 |
CN113822424A (zh) * | 2021-07-27 | 2021-12-21 | 湖南大学 | 一种基于超构表面的全光衍射神经网络系统 |
CN114037069A (zh) * | 2021-11-18 | 2022-02-11 | 中国科学院长春光学精密机械与物理研究所 | 基于衍射光学的神经网络计算单元 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5739945A (en) * | 1995-09-29 | 1998-04-14 | Tayebati; Parviz | Electrically tunable optical filter utilizing a deformable multi-layer mirror |
US6185470B1 (en) * | 1997-11-07 | 2001-02-06 | Mcdonnell Douglas Corporation | Neural network predictive control method and system |
WO2002025395A2 (en) * | 2000-09-21 | 2002-03-28 | Starlab Nv/Sa | Optical computing |
JP2007021044A (ja) * | 2005-07-20 | 2007-02-01 | Topcon Corp | 可変形状ミラーの変形方法、光学装置及び眼底観察装置 |
CN103901617A (zh) * | 2014-04-17 | 2014-07-02 | 淮海工学院 | 一种基于模型的无波前探测自适应光学系统 |
CN104393930A (zh) * | 2014-11-25 | 2015-03-04 | 中国科学院光电技术研究所 | 一种基于自适应光学技术提高空间相干光通信质量的装置 |
CN108983412A (zh) * | 2018-07-09 | 2018-12-11 | 北京邮电大学 | 一种无波前检测自适应光学系统及光束相位调整方法 |
CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
CN109870800A (zh) * | 2019-01-15 | 2019-06-11 | 中国科学院西安光学精密机械研究所 | 一种无波前探测自适应光学系统及其快速无模型控制方法 |
WO2019200289A1 (en) * | 2018-04-13 | 2019-10-17 | The Regents Of The University Of California | Devices and methods employing optical-based machine learning using diffractive deep neural networks |
WO2020102204A1 (en) * | 2018-11-12 | 2020-05-22 | Massachusetts Institute Of Technology | Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out |
CN111272277A (zh) * | 2020-01-21 | 2020-06-12 | 中国工程物理研究院激光聚变研究中心 | 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 |
CN111340081A (zh) * | 2020-02-19 | 2020-06-26 | 中国科学院光电技术研究所 | 一种基于光流估计的神经网络像差预测方法 |
CN111627085A (zh) * | 2020-06-01 | 2020-09-04 | 中国科学院长春光学精密机械与物理研究所 | 一种波前分视场曲率传感方法和装置、自适应oct系统 |
CN111652372A (zh) * | 2020-06-19 | 2020-09-11 | 中国科学院软件研究所 | 一种基于衍射光学神经网络的波前复原方法及系统 |
US20200327403A1 (en) * | 2019-04-15 | 2020-10-15 | The Hong Kong University Of Science And Technology | All optical neural network |
-
2020
- 2020-10-30 CN CN202011184212.1A patent/CN112180583B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5739945A (en) * | 1995-09-29 | 1998-04-14 | Tayebati; Parviz | Electrically tunable optical filter utilizing a deformable multi-layer mirror |
US6185470B1 (en) * | 1997-11-07 | 2001-02-06 | Mcdonnell Douglas Corporation | Neural network predictive control method and system |
WO2002025395A2 (en) * | 2000-09-21 | 2002-03-28 | Starlab Nv/Sa | Optical computing |
JP2007021044A (ja) * | 2005-07-20 | 2007-02-01 | Topcon Corp | 可変形状ミラーの変形方法、光学装置及び眼底観察装置 |
CN103901617A (zh) * | 2014-04-17 | 2014-07-02 | 淮海工学院 | 一种基于模型的无波前探测自适应光学系统 |
CN104393930A (zh) * | 2014-11-25 | 2015-03-04 | 中国科学院光电技术研究所 | 一种基于自适应光学技术提高空间相干光通信质量的装置 |
WO2019200289A1 (en) * | 2018-04-13 | 2019-10-17 | The Regents Of The University Of California | Devices and methods employing optical-based machine learning using diffractive deep neural networks |
CN108983412A (zh) * | 2018-07-09 | 2018-12-11 | 北京邮电大学 | 一种无波前检测自适应光学系统及光束相位调整方法 |
WO2020102204A1 (en) * | 2018-11-12 | 2020-05-22 | Massachusetts Institute Of Technology | Large-scale artificial neural-network accelerators based on coherent detection and optical data fan-out |
CN109870800A (zh) * | 2019-01-15 | 2019-06-11 | 中国科学院西安光学精密机械研究所 | 一种无波前探测自适应光学系统及其快速无模型控制方法 |
CN109739033A (zh) * | 2019-02-25 | 2019-05-10 | 中国科学院光电技术研究所 | 一种无波前探测的液晶像差校正方法 |
US20200327403A1 (en) * | 2019-04-15 | 2020-10-15 | The Hong Kong University Of Science And Technology | All optical neural network |
CN111272277A (zh) * | 2020-01-21 | 2020-06-12 | 中国工程物理研究院激光聚变研究中心 | 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 |
CN111340081A (zh) * | 2020-02-19 | 2020-06-26 | 中国科学院光电技术研究所 | 一种基于光流估计的神经网络像差预测方法 |
CN111627085A (zh) * | 2020-06-01 | 2020-09-04 | 中国科学院长春光学精密机械与物理研究所 | 一种波前分视场曲率传感方法和装置、自适应oct系统 |
CN111652372A (zh) * | 2020-06-19 | 2020-09-11 | 中国科学院软件研究所 | 一种基于衍射光学神经网络的波前复原方法及系统 |
Non-Patent Citations (1)
Title |
---|
张雨东等: "《自适应光学及激光操控》", 30 November 2016, 国防工业出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326653A (zh) * | 2021-05-17 | 2021-08-31 | 中国工程物理研究院激光聚变研究中心 | 一种基于神经网络的离轴三反光学系统的设计方法 |
CN113822424A (zh) * | 2021-07-27 | 2021-12-21 | 湖南大学 | 一种基于超构表面的全光衍射神经网络系统 |
CN113822424B (zh) * | 2021-07-27 | 2023-10-20 | 湖南大学 | 一种基于超构表面的全光衍射神经网络系统 |
CN114037069A (zh) * | 2021-11-18 | 2022-02-11 | 中国科学院长春光学精密机械与物理研究所 | 基于衍射光学的神经网络计算单元 |
CN114037069B (zh) * | 2021-11-18 | 2024-04-05 | 中国科学院长春光学精密机械与物理研究所 | 基于衍射光学的神经网络计算单元 |
Also Published As
Publication number | Publication date |
---|---|
CN112180583B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112180583B (zh) | 一种基于全光神经网络的自适应光学系统 | |
US10903901B2 (en) | Free space optical node with fiber bundle | |
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 | |
CN105223688B (zh) | 一种激光光束波前校正系统及方法 | |
CN110631716B (zh) | 一种紧凑型哈特曼波前传感器 | |
CN114186664B (zh) | 一种基于神经网络的模式波前复原方法 | |
CN105203213A (zh) | 一种计算复合波前传感自适应光学系统复原电压的方法 | |
CN102879110A (zh) | 基于有调制和无调制组合式棱锥波前传感器的自适应光学系统 | |
CN101285712B (zh) | 基于分立光强测量器件的线性相位反演波前传感器 | |
CN102707434B (zh) | 一种腔内自适应光学光束净化系统及方法 | |
CN104849241A (zh) | 推进剂烟雾光遮蔽能力测试系统的校准方法 | |
WO2024187835A1 (zh) | 一种基于run优化算法的波前校正系统及校正方法 | |
USH615H (en) | High speed/low light wavefront sensor system | |
US4472029A (en) | Integrated wavefront compensator | |
CN114967129A (zh) | 一种新型扩展目标自适应光学成像系统及其方法 | |
CN108645431B (zh) | 一种用于光纤法珀传感器腔长相关解调的拟合寻峰方法 | |
CN110824697A (zh) | 人造信标与无波前探测结合的自适应光学系统 | |
CN207882564U (zh) | 基于实时相位差异技术的无波前探测自适应光学系统 | |
JPS58142306A (ja) | 焦点検出方法 | |
CN112584016B (zh) | 红外仿生视觉传感器 | |
CN103076674A (zh) | 一种利用光热效应改变激光传输特性的装置 | |
CN113280932B (zh) | 相干光通信波前校正中去除与补偿子孔径光斑坏点的方法 | |
CN116380259A (zh) | 一种基于时空域预测的波前缺失信息预测补全方法 | |
CN114142943B (zh) | 单光子测距跟瞄及少光子通信一体化接收装置及方法 | |
CN114326102B (zh) | 空间光通信小型化终端静态像差校正方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |