CN112462600B - 一种高能激光器控制方法、系统、电子设备及存储介质 - Google Patents

一种高能激光器控制方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN112462600B
CN112462600B CN202011309892.5A CN202011309892A CN112462600B CN 112462600 B CN112462600 B CN 112462600B CN 202011309892 A CN202011309892 A CN 202011309892A CN 112462600 B CN112462600 B CN 112462600B
Authority
CN
China
Prior art keywords
energy laser
light beam
focal length
length value
neural network
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.)
Active
Application number
CN202011309892.5A
Other languages
English (en)
Other versions
CN112462600A (zh
Inventor
葛奇鹏
张智杰
吴学铜
高友涛
雷宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
717th Research Institute of CSIC
Original Assignee
717th Research Institute of CSIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 717th Research Institute of CSIC filed Critical 717th Research Institute of CSIC
Priority to CN202011309892.5A priority Critical patent/CN112462600B/zh
Publication of CN112462600A publication Critical patent/CN112462600A/zh
Application granted granted Critical
Publication of CN112462600B publication Critical patent/CN112462600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Lasers (AREA)

Abstract

本申请实施例公开了一种高能激光器控制方法、系统、电子设备及存储介质，所述方法包括：获取高能激光器入射目标时的环境信息；将环境信息输入预先训练的深度神经网络模型中，以输出高能激光器的光束汇聚镜组的最佳焦距值；根据最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束；深度神经网络模型为根据测试集中的每一组高能激光器入射目标时的环境信息和对应的高能激光器的光束汇聚镜组的最佳焦距值训练得到。本申请实施例利用深度神经网络模型来对高能激光器入射目标时的环境信息和最佳焦距值之间的关系，全面的考虑了环境因素对光束的影响，利用深度神经网络进行建模，很好的优化了光束的质量。

Description

一种高能激光器控制方法、系统、电子设备及存储介质
技术领域
本申请涉及激光器领域，尤其涉及一种高能激光器控制方法、系统、电子设备及存储介质。
背景技术
利用高能激光器反低小慢目标是一个相当前沿的领域，高能激光器在用以打击低小慢目标时，如何让激光光束在目标表面汇聚以达到最大杀伤效果是系统成败的关键，在激光源不变的情况下，激光光斑越小，则单位面积激光强度越大，合适的汇聚光斑能量密度可以达到不当汇聚光斑的数倍甚至数十倍，所以高能激光系统对光束调控的精准度要求极高。
与此同时，激光光束受到的外界影响因素多、相关性复杂，包括目标距离、湍流强度、温湿度、风速、能见度、透镜形变等等。采用现有的方式进行建模来计算当前最适宜激光控制透镜组焦距极其复杂，因素之间的相关性和非线性很难通过已有算法加以体现，难以全面考虑影响因素，不具备自学习能力，泛用性差，从而导致控制不精确。
发明内容
为了解决背景技术中的问题和缺陷，本申请实施例提供了一种高能激光器控制方法、系统、电子设备及存储介质。
本申请实施例的第一方面，提供了高能激光器控制方法，包括：获取高能激光器入射目标时的环境信息；将环境信息输入预先训练的深度神经网络模型中，以输出高能激光器的光束汇聚镜组的最佳焦距值；根据最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束；深度神经网络模型为根据测试集中的每一组高能激光器入射目标时的环境信息和对应的高能激光器的光束汇聚镜组的最佳焦距值训练得到。
在上述技术方案的基础上，本发明还可以做出如下改进。
可选的，所述环境信息包括高能激光器与目标之间的距离、环境温度、环境湿度、湍流大小、风速、能见度和高能激光器的光束汇聚镜组的工作温度。
可选的，还包括：在高能激光器入射目标的环境空间安装温湿度计、湍流测量计、风速计、能见度仪和激光测距仪，以及在高能激光器上安装透镜温度传感器；通过温湿度计、湍流测量计、风速计、能见度仪和激光测距仪分别测量环境温度、环境湿度、湍流大小、风速、能见度和高能激光器与目标之间的距离，通过所述透镜温度传感器测量高能激光器的光束汇聚镜组的工作温度。
可选的，所述训练集中包括高能激光器入射目标时的每一组环境信息和对应的最佳焦距值，通过如下方式训练所述深度神经网络模型：将所述训练集中每一组环境信息输入深度神经网络模型中，以输出对应的高能激光器的光束汇聚镜组的最佳焦距值；计算由所述深度神经网络模型输出的与每一组环境信息对应的高能激光器的光束汇聚镜组的最佳焦距值与训练集中每一组环境信息对应的最佳焦距值之间的损失值；对所述深度神经网络模型进行反复训练，并不断调整所述深度神经网络模型的模型参数，直到计算得到的损失值小于预设阈值，结束训练。
可选的，还包括：将测试集中的每一组环境信息输入训练后的所述深度神经网络模型，以输出对应的高能激光器的光束汇聚镜组的最佳焦距值；计算由所述深度神经网络模型输出的与每一组环境信息对应的高能激光器的光束汇聚镜组的最佳焦距值与测试集中每一组环境信息对应的最佳焦距值之间的损失值，以对训练后的所述深度神经网络模型进行测试。
可选的，所述高能激光器的光束汇聚镜组包括多个透镜，所述高能激光器的光束汇聚镜组的最佳焦距值包括每一个透镜的最佳焦距值。
本申请实施例的第二方面提供了一种高能激光器控制系统，包括：
获取模块，用于获取高能激光器入射目标时的环境信息；
输入模块，用于将所述环境信息输入预先训练的深度神经网络模型中，以输出所述高能激光器的光束汇聚镜组的最佳焦距值；
控制模块，用于根据所述最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束；
所述深度神经网络模型为根据测试集中的每一组高能激光器入射目标时的环境信息和对应的高能激光器的光束汇聚镜组的最佳焦距值训练得到。
本申请第三方面提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如上述任意一项所述的高能激光器控制方法的步骤。
本申请第四方面提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如上述任意一项所述的高能激光器控制方法法的步骤。
从以上技术方案可以看出，本申请实施例具有以下优点：获取高能激光器入射目标时的环境信息；将环境信息输入预先训练的深度神经网络模型中，以输出高能激光器的光束汇聚镜组的最佳焦距值；根据最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束。本申请实施例利用深度神经网络模型来对高能激光器入射目标时的环境信息和最佳焦距值之间的关系，全面的考虑了环境因素对光束的影响，利用深度神经网络进行建模，很好的优化了光束的质量。
附图说明
图1为本申请实施例提供的一种可能的高能激光器控制方法的流程图；
图2为激光经过光束汇聚镜组的示意图；
图3为深度神经网络模型的结构示意图；
图4为本申请实施例提供的一种可能的高能激光器控制系统的结构示意图；
图5为本申请实施例提供的一种可能的电子设备的硬件结构示意图；
图6为本申请实施例提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
本申请实施例提供了一种视图对象的显示方法及相关装置，用于使视图对象的显示更加灵活且自动化。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请提供了一种高能激光器控制方法，请参阅图1，为本申请实施例提供的一种高能激光器控制方法的流程图，具体包括：101、获取高能激光器入射目标时的环境信息；102、将所述环境信息输入预先训练的深度神经网络模型中，以输出所述高能激光器的光束汇聚镜组的最佳焦距值；103、根据所述最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束；104、所述深度神经网络模型为根据测试集中的每一组高能激光器入射目标时的环境信息和对应的高能激光器的光束汇聚镜组的最佳焦距值训练得到。
可以理解的是，基于传统无法考虑到影响高能激光器打击入射目标的各种因素的缺点，本申请实施例提出了一种高能激光器的焦距控制的方法，利用深度神网络模型，建立高能激光器在打击入射目标时的环境信息和光束汇聚镜组的最佳焦距值之间的关系。
参见图2，为本申请实施例的应用场景，高能激光器经过光束汇聚镜组后打击入射目标。具体的，采集当前高能激光器打击入射目标时的环境信息，将采集的环境信息输入到训练后的深度神经网络模型，由深度神经网络模型输出高能激光器的光束汇聚镜组的最佳焦距值，根据最佳焦距值控制高能激光器的焦距值，改变高能激光器向目标入射的激光光束，使得激光光束在目标表面的激光光斑最小，激光强度最大，汇聚光斑的能量密度最大，对目标的杀伤效果达到最佳。
本申请实施例利用深度神经网络模型来对高能激光器入射目标时的环境信息和最佳焦距值之间的关系，全面的考虑了环境因素对光束的影响，利用深度神经网络进行建模，很好的优化了光束的质量。
在一种可能的实施例方式中，激光光束受到外界影响的因素较多，相关性也比较复杂，其中，高能激光器打击入射目标时的环境信息主要包括高能激光器与目标之间的距离、环境温度、环境湿度、湍流大小、风速、能见度和高能激光器的光束汇聚镜组的工作温度。
在一种可能的实施例方式中，在高能激光器向目标进行打击入射之前，可在环境空间中安装各种传感器，通过各种传感器，可对高能激光器打击入射目标时的环境信息进行检测测量。本申请实施例主要在高能激光器入射目标的环境空间安装温湿度计、湍流测量计、风速计、能见度仪和激光测距仪，以及在高能激光器上安装透镜温度传感器；通过温湿度计、湍流测量计、风速计、能见度仪和激光测距仪分别测量环境温度、环境湿度、湍流大小、风速、能见度和高能激光器与目标之间的距离，通过所述透镜温度传感器测量高能激光器的光束汇聚镜组的工作温度。
在一种可能的实施例方式中，训练集中包括高能激光器入射目标时的每一组环境信息和对应的最佳焦距值，通过如下方式训练所述深度神经网络模型：将所述训练集中每一组环境信息输入深度神经网络模型中，以输出对应的高能激光器的光束汇聚镜组的最佳焦距值；计算由所述深度神经网络模型输出的与每一组环境信息对应的高能激光器的光束汇聚镜组的最佳焦距值与训练集中每一组环境信息对应的最佳焦距值之间的损失值；对所述深度神经网络模型进行反复训练，并不断调整所述深度神经网络模型的模型参数，直到计算得到的损失值小于预设阈值，结束训练。
可以理解的是，对于初始构建的深度神经网络模型进行训练的过程为，首先，选取合适的训练集，其中，训练集中包括每一组环境信息和对应的高能激光器的光束汇聚镜组的最佳焦距值。
通过传感器获取一系列数据，包括目标距离、环境温度、环境湿度、湍流大小、风速、能见度等，使用调整高能激光器的光束汇聚镜组的焦距在目标上进行试打的方式获得此环境下最适合的焦距值，也就是最佳焦距值。以上为一组数据，实验获得多组数据，将数据分为两大组，一组用以训练模型，一组用以测试模型的准确度。
在训练的过程中，将每一组环境信息输入到深度神经网络模型中，由深度神经网络模型输出每一组环境信息对应的最佳焦距值。随后，将输出的每一组环境信息对应的最佳焦距值与训练集中的最佳焦距值进行比较，计算由深度神经网络模型输出的最佳焦距值与训练集中的焦距值之间的差距，也就是损失值。在计算损失值时，可选取合适的损失函数进行计算。
不断调整深度神经网络模型的模型参数，反复对深度神经网络进行训练，直到计算出的损失值小于设定的某个阈值。
在一种可能的实施例方式中，还包括：将测试集中的每一组环境信息输入训练后的所述深度神经网络模型，以输出对应的高能激光器的光束汇聚镜组的最佳焦距值；计算由所述深度神经网络模型输出的与每一组环境信息对应的高能激光器的光束汇聚镜组的最佳焦距值与测试集中每一组环境信息对应的最佳焦距值之间的损失值，以对训练后的所述深度神经网络模型进行测试。
可以理解的是，上述实施例方式中，对深度神经网络模型进行了训练，对于训练后的深度神经网络模型的效果，本申请实施例利用测试集对其进行测试，将测试集中的每一组环境信息输入训练后的深度神经网络模型中，由训练后的深度神经网络模型输出对应的高能激光器的光束汇聚镜组的焦距值，并计算其与测试集中的焦距值之间的损失值，根据损失值评价训练后的深度神经网络模型的训练效果，如果效果不够好，可通过调整深度神经网络模型的模型参数继续对其进行训练，直到训练后的深度神经网络模型的效果较好。
其中，本申请实施例中深度神经网络模型的构造如图3所示，其中每一个结点为一个神经元。初始化各隐藏层与输出层的线性关系系数矩阵W和偏移向量b为一个随机值。
对每一个结点执行如下的步骤：从左到右进行前向传播，利用若干权重系数矩阵W，偏移向量b来和输入值向量x进行一系列线性运算和激活运算，从输入层开始，一层层从左向右计算，一直运算到输出层，得到最后输出结果为一个焦距值。
比如，第l-1层共有m个神经元，而第l层共有n个神经元，则第l层的线性系数w组成了一个n*m的矩阵Wl。第l层的偏移b组成了一个n*l的向量bl，第l-1层的输出a组成了一个m*l的向量al-1，第l层的未激活钱线性输出z组成了一个n*l的向量zl，第l层的输出a组成了一个n*l的向量al。用矩阵法表示，第l层的输出为：
al＝δ(zl)＝δ(Wlal-1+bl)；
其中σ为激活函数，可以选择Sigmoid，tanx,softmax,和ReLU等，不同激活函数的模型略有不同可适用于不同系统。
选择一个损失函数用来计算当前模型计算出来的焦距值与实验得到的理想焦距值的差距，以度量当前模型训练的程度，可以均方差等函数作为损失函数δi，L，进行反向传播算法计算σi,l＝(Wl+1)σi,l+1⊙σ'(zi,l)。
更新第l层的Wl和bl：
Figure BDA0002789477660000081
Figure BDA0002789477660000082
深度神经网络模型训练后，将当前的高能激光器打击入射目标时的环境信息，输入训练后的深度神经网络中，输出高能激光器打击入射目标的光束汇聚镜组的焦距值。具体为，通过系统的传感器获取一系列数据，包括目标距离、环境温度、环境湿度、湍流大小、风速、能见度、透镜1温度、透镜2温度，从左到右进行前向传播最后得到焦距为
aL＝δ(zL)＝δ(WLaL-1+bL)；
获得焦距值后，根据焦距值调节高能激光器光束汇聚镜组，直到其值与焦距值吻合，改变高能激光器的光束，使得光束入射到目标表面的激光光斑最小，单位面积激光强度最大，汇聚光斑能量密度高。
在一种可能的实施例方式中，高能激光器的光束汇聚镜组包括多个透镜，高能激光器的光束汇聚镜组的最佳焦距值包括每一个透镜的最佳焦距值。
可以理解的是，高能激光器的光束汇聚镜组由多个透镜组成，其中，高能激光器的光束汇聚镜组的焦距值包括每一个透镜的焦距值。在对深度神经网络模型训练的过程中，训练集中的光束汇聚镜组的最佳焦距值包括每一个透镜的最佳焦距值，最终深度神经网络模型输出的也为每一个透镜的最佳焦距值。根据每一个透镜的最佳焦距值调整高能激光器的光束汇聚镜组的每一个透镜的焦距。
参见图4，提供了一种高能激光器控制系统，包括：
获取模块401，用于获取高能激光器入射目标时的环境信息；
输入模块402，用于将所述环境信息输入预先训练的深度神经网络模型中，以输出所述高能激光器的光束汇聚镜组的最佳焦距值；
控制模块403，用于根据所述最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束；
其中，深度神经网络模型为根据测试集中的每一组高能激光器入射目标时的环境信息和对应的高能激光器的光束汇聚镜组的最佳焦距值训练得到。
可以理解的是，本发明提供的高能激光器控制系统与前述各实施例提供的高能激光器控制方法对应，高能激光器控制系统的相关技术特征可参考前述各实施例提供的高能激光器控制方法的相关技术特征，在此不再赘述。
请参阅图5，图5为本申请实施例提供的电子设备的实施例示意图。如图5所示，本申请实施例提了一种电子设备，包括存储器510、处理器520及存储在存储器520上并可在处理器520上运行的计算机程序511，处理器520执行计算机程序511时实现以下步骤：获取高能激光器入射目标时的环境信息；
将所述环境信息输入预先训练的深度神经网络模型中，以输出所述高能激光器的光束汇聚镜组的最佳焦距值；根据所述最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束；深度神经网络模型为根据测试集中的每一组高能激光器入射目标时的环境信息和对应的高能激光器的光束汇聚镜组的最佳焦距值训练得到。
请参阅图6，图6为本申请实施例提供的一种计算机可读存储介质的实施例示意图。如图6所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序611，该计算机程序611被处理器执行时实现如下步骤：获取高能激光器入射目标时的环境信息；将环境信息输入预先训练的深度神经网络模型中，以输出高能激光器的光束汇聚镜组的最佳焦距值；根据最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束；深度神经网络模型为根据测试集中的每一组高能激光器入射目标时的环境信息和对应的高能激光器的光束汇聚镜组的最佳焦距值训练得到。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包括这些改动和变型在内。

Claims (7)

1.一种高能激光器控制方法，其特征在于，包括：
获取高能激光器入射目标时的环境信息，所述环境信息包括高能激光器与目标之间的距离、环境温度、环境湿度、湍流大小、风速、能见度和高能激光器的光束汇聚镜组的工作温度；
将所述环境信息输入预先训练的深度神经网络模型中，以输出所述高能激光器的光束汇聚镜组的最佳焦距值；
根据所述最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束；
所述深度神经网络模型为根据测试集中的每一组高能激光器入射目标时的环境信息和对应的高能激光器的光束汇聚镜组的最佳焦距值训练得到。
2.根据权利要求1所述的控制方法，其特征在于，还包括：
在高能激光器入射目标的环境空间安装温湿度计、湍流测量计、风速计、能见度仪和激光测距仪，以及在高能激光器上安装透镜温度传感器；
通过温湿度计、湍流测量计、风速计、能见度仪和激光测距仪分别测量环境温度、环境湿度、湍流大小、风速、能见度和高能激光器与目标之间的距离，通过所述透镜温度传感器测量高能激光器的光束汇聚镜组的工作温度。
3.根据权利要求1所述的控制方法，其特征在于，训练集中包括高能激光器入射目标时的每一组环境信息和对应的最佳焦距值，通过如下方式训练所述深度神经网络模型：
将所述训练集中每一组环境信息输入深度神经网络模型中，以输出对应的高能激光器的光束汇聚镜组的最佳焦距值；
计算由所述深度神经网络模型输出的与每一组环境信息对应的高能激光器的光束汇聚镜组的最佳焦距值与训练集中每一组环境信息对应的最佳焦距值之间的损失值；
对所述深度神经网络模型进行反复训练，并不断调整所述深度神经网络模型的模型参数，直到计算得到的损失值小于预设阈值，结束训练。
4.根据权利要求3所述的控制方法，其特征在于，还包括：
将测试集中的每一组环境信息输入训练后的所述深度神经网络模型，以输出对应的高能激光器的光束汇聚镜组的最佳焦距值；
计算由所述深度神经网络模型输出的与每一组环境信息对应的高能激光器的光束汇聚镜组的最佳焦距值与测试集中每一组环境信息对应的最佳焦距值之间的损失值，以对训练后的所述深度神经网络模型进行测试。
5.根据权利要求1-4任一项所述的控制方法，其特征在于，所述高能激光器的光束汇聚镜组包括多个透镜，所述高能激光器的光束汇聚镜组的最佳焦距值包括每一个透镜的最佳焦距值。
6.一种高能激光器控制系统，其特征在于，包括：
获取模块，用于获取高能激光器入射目标时的环境信息，所述环境信息包括高能激光器与目标之间的距离、环境温度、环境湿度、湍流大小、风速、能见度和高能激光器的光束汇聚镜组的工作温度；
输入模块，用于将所述环境信息输入预先训练的深度神经网络模型中，以输出所述高能激光器的光束汇聚镜组的最佳焦距值；
控制模块，用于根据所述最佳焦距值控制高能激光器的光束汇聚镜组以调整高能激光器向目标的入射光束。
7.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-5任一项所述的高能激光器控制方法的步骤。
CN202011309892.5A 2020-11-20 2020-11-20 一种高能激光器控制方法、系统、电子设备及存储介质 Active CN112462600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011309892.5A CN112462600B (zh) 2020-11-20 2020-11-20 一种高能激光器控制方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011309892.5A CN112462600B (zh) 2020-11-20 2020-11-20 一种高能激光器控制方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112462600A CN112462600A (zh) 2021-03-09
CN112462600B true CN112462600B (zh) 2022-07-05

Family

ID=74837090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011309892.5A Active CN112462600B (zh) 2020-11-20 2020-11-20 一种高能激光器控制方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112462600B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819111B (zh) * 2022-06-24 2022-09-02 济钢防务技术有限公司 空间合成激光排爆系统的调焦控制神经网络输入采样方法
CN116879580B (zh) * 2023-05-30 2024-04-26 华中光电技术研究所(中国船舶集团有限公司第七一七研究所) 加速度计启动性能补偿方法、系统、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017131937A (ja) * 2016-01-28 2017-08-03 ファナック株式会社 レーザ加工開始条件を学習する機械学習装置、レーザ装置および機械学習方法
CN208092264U (zh) * 2017-12-12 2018-11-13 南京大学 一种大气湍流强度和能见度测量装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017131937A (ja) * 2016-01-28 2017-08-03 ファナック株式会社 レーザ加工開始条件を学習する機械学習装置、レーザ装置および機械学習方法
CN208092264U (zh) * 2017-12-12 2018-11-13 南京大学 一种大气湍流强度和能见度测量装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于DMD的高速高精度空间光调制系统;袁志军;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200115(第1期);第I135-796页 *

Also Published As

Publication number Publication date
CN112462600A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112462600B (zh) 一种高能激光器控制方法、系统、电子设备及存储介质
JP6438450B2 (ja) レーザ加工ロボットの加工順序を学習する機械学習装置、ロボットシステムおよび機械学習方法
CN110956256B (zh) 利用忆阻器本征噪声实现贝叶斯神经网络的方法及装置
CN109343505A (zh) 基于长短期记忆网络的齿轮剩余寿命预测方法
CN111221123B (zh) 一种基于模型的无波前传感器自适应光学校正方法
CN107199397A (zh) 机器学习装置、激光加工系统以及机器学习方法
CN111126134B (zh) 基于非指纹信号消除器的雷达辐射源深度学习识别方法
LU102710B1 (en) Input validation method for neural network model by crossing-layer dissection
Yang et al. Prediction of surface roughness in turning operations by computer vision using neural network trained by differential evolution algorithm
CN111370080B (zh) 一种基于人工神经网络算法的辐射温度反演方法
CN110263429B (zh) 基于机器学习的索网反射面天线形面精度调整方法
JP2022514580A (ja) 機械学習による光学補正
Suárez Gómez et al. Improving adaptive optics reconstructions with a deep learning approach
CN111126794A (zh) 基于小样本的数据增强及神经网络对抗训练系统
Setyawan et al. Object detection of omnidirectional vision using PSO-neural network for soccer robot
JP2021049841A (ja) 制御装置、学習装置、制御方法、学習方法、及びプログラム
Noever-Castelos et al. Model updating of a wind turbine blade finite element Timoshenko beam model with invertible neural networks
CN111416595B (zh) 一种基于多核融合的大数据滤波方法
CN115953638A (zh) 一种基于多尺度深度卷积神经网络的全场位移在线识别方法
Noever-Castelos et al. Model updating of a wind turbine blade finite element beam model with invertible neural networks
CN114488518B (zh) 基于机器学习的自适应光学波前校正方法
Thomas et al. Characterization of underwater optical turbulence caused by natural convection generated by Rayleigh-Bénard using machine learning
CN111709140B (zh) 一种基于内在可塑性回声状态网络的船舶运动预报方法
CN117689993A (zh) 波前畸变信息预测方法、装置、电子设备及存储介质
CN117620448B (zh) 激光雕刻机的加工控制方法、装置、设备及存储介质

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