CN113063507B - 基于卷积神经网络的超短脉冲宽度预测方法 - Google Patents
基于卷积神经网络的超短脉冲宽度预测方法 Download PDFInfo
- Publication number
- CN113063507B CN113063507B CN202110326626.1A CN202110326626A CN113063507B CN 113063507 B CN113063507 B CN 113063507B CN 202110326626 A CN202110326626 A CN 202110326626A CN 113063507 B CN113063507 B CN 113063507B
- Authority
- CN
- China
- Prior art keywords
- pulse
- neural network
- data
- laser
- trace
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 72
- 238000001228 spectrum Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000003287 optical effect Effects 0.000 claims description 54
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 16
- 238000013519 translation Methods 0.000 claims description 16
- 239000000919 ceramic Substances 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000013078 crystal Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000001052 transient effect Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000010287 polarization Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 5
- 239000005350 fused silica glass Substances 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000010437 gem Substances 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 7
- 235000019796 monopotassium phosphate Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- QBLDFAIABQKINO-UHFFFAOYSA-N barium borate Chemical compound [Ba+2].[O-]B=O.[O-]B=O QBLDFAIABQKINO-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- YISOXLVRWFDIKD-UHFFFAOYSA-N bismuth;borate Chemical compound [Bi+3].[O-]B([O-])[O-] YISOXLVRWFDIKD-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910001751 gemstone Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- VCZFPTGOQQOZGI-UHFFFAOYSA-N lithium bis(oxoboranyloxy)borinate Chemical compound [Li+].[O-]B(OB=O)OB=O VCZFPTGOQQOZGI-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910000402 monopotassium phosphate Inorganic materials 0.000 description 1
- PJNZPQUBCPKICU-UHFFFAOYSA-N phosphoric acid;potassium Chemical compound [K].OP(O)(O)=O PJNZPQUBCPKICU-UHFFFAOYSA-N 0.000 description 1
- WYOHGPUPVHHUGO-UHFFFAOYSA-K potassium;oxygen(2-);titanium(4+);phosphate Chemical compound [O-2].[K+].[Ti+4].[O-]P([O-])([O-])=O WYOHGPUPVHHUGO-UHFFFAOYSA-K 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 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
- G01J11/00—Measuring the characteristics of individual optical pulses or of optical pulse trains
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明提供了一种超短激光脉冲宽度预测方法及其预测系统,所述方法基于卷积神经网络。本发明通过在采集超快激光脉冲的脉冲延迟扫描光谱行迹图或行迹图数据(trace)并反演得到脉冲的宽度和相位信息,构建训练集建立卷积神经网络模型,进行卷积神经网络模型训练,使用这种方案可以提高对脉冲信息获取的效率,并在模型构建完成后,降低超快激光脉冲时域信息获取的技术难度。
Description
技术领域
本发明属于超快激光技术领域,具体涉及一种基于卷积神经网络的超短激光脉冲宽度预测方法及其预测系统。
背景技术
超短激光脉冲产生技术自发明以来,引起了人们极大的兴趣及重视。具有飞秒(fs)量级时间尺度的超短脉冲激光、其宽的覆盖光谱,以及高峰值功率,使得超短激光脉冲在众多科研领域和工业领域如时间分辨光谱学、频谱测量、阿秒科学、光显微成像、强场物理、生物光子学、飞秒加工制作等领域有重要意义。
超短激光脉冲宽度的时间尺度是在飞秒(fs)量级,,对于小于100飞秒甚至更短飞秒激光脉冲来说,由于飞秒时间量级已经超出了电子响应速度的极限,因此不可能用电子仪器直接测量飞秒脉冲的时域特性,需要新技术以确定其时域形状和相位信息,飞秒激光脉冲的特性主要是强度和相位随时间的变化规律,在超快激光技术飞速发展的几十年,已经有多种测量小于100飞秒激光脉冲的测量设备如自相关法、自参考光谱干涉(WIZZLER)、频率分辨光学开关法(FROG)以及自参考光谱相干电场重建法(SPIDER)。但能够准测量到小于10飞秒激光脉冲的设备目前只有频率分辨光学开关法(FROG)以及自参考光谱相干电场重建法(SPIDER),频率分辨光学开关法(FROG)在应用中更为常见且结构更为简单。
上述中的现有技术存在以下缺陷:例如,自相关法和WIZZLER无法测量小于10飞秒的激光脉冲;SPIDER在对脉冲进行测量时,光路较为复杂需要进行复杂的实验操作,FROG需要较长的时间反演计算延迟扫描光谱行迹图或行迹图数据得到目标结果。
发明内容
因此,本发明的目的在于克服现有技术中的缺陷,例如:超快激光脉冲时域信息测量结果反演计算较慢,效率低下,及对程序编写的高技术门槛,提供一种超短激光脉冲宽度预测方法及其预测系统。
在阐述本发明内容之前,定义本文中所使用的术语如下:
术语“FROG”是指:频率分辨光学开关法脉宽测量仪。
术语“trace”是指:脉冲延迟扫描光谱行迹图或行迹图数据。
术语“BBO”是指:偏硼酸钡。
术语“BIBO”是指:硼酸铋。
术语“KDP”是指:磷酸二氢钾。
术语“KTP”是指:磷酸钛氧钾。
术语“LBO”是指:三硼酸锂。
术语“SHG FROG”是指:Second Harmonic Generation FROG,二次谐波FROG。术语“THG FROG”是指:Third Harmonic Generation FROG,三次谐波FROG。
术语“TG FROG”是指:Transient Grating FROG,瞬态光栅FROG。
术语“SD FROG”是指:Self Diffraction FROG,自衍射FROG。
术语“PG FROG”是指:Polarization Gate FROG,偏振门FROG。
为实现上述目的,本发明的第一方面提供了一种超短激光脉冲宽度预测方法,所述方法基于卷积神经网络,所述方法包括以下步骤:
(1)通过频率分辨光学开关法脉宽测量仪测量待测脉冲的延迟扫描光谱行迹图或行迹图数据,对实验数据进行反演得到被测脉冲的形状、宽度和相位,获得实验数据;利用方程计算得到频率分辨光学开关法延迟扫描光谱行迹图或行迹图数据,及脉冲的宽度和相位信息作为理论数据;上述实验数据和理论数据作为训练数据;
(2)建立卷积神经网络模型,设置模型参数;
(3)将步骤(1)所得训练数据输入卷积神经网络模型,对卷积神经网络模型进行训练,优化卷积神经网络模型;和
(4)将待测脉冲通过频率分辨光学开关法脉宽测量仪测量脉冲的延迟扫描光谱行迹图或行迹图数据,导入到步骤(3)得到的卷积神经网络模型中,预测脉冲的宽度和相位信息。
根据本发明第一方面的方法,其中,步骤(1)包括以下步骤:
(A)利用方程推导得到非线性三波混频和四波混频理论过程,计算得到频率分辨光学开关法延迟扫描光谱行迹图或行迹图数据,以及脉冲的时域和相位信息;
(B)根据待测激光中心波长,改变入射脉冲初始参数进行理论数据生成;
(C)改变超短激光脉冲初始参数,进行测量实验,通过FROG测量反演计算脉冲的宽度信息和相位信息,获得多组实验数据;和
(D)将步骤(A)获得的理论数据和步骤(C)获得的实验数据作为训练数据。
根据本发明第一方面的方法,其中,步骤(A)中,所述频率分辨光学开关法延迟扫描光谱行迹图或行迹图数据选自以下一种或多种:超短脉冲倍频频率分辨光学开关法、自衍射频率分辨光学开关法、偏振频率分辨光学开关法、瞬态光栅频率分辨光学开关法、三倍频频率分辨光学开关法;和/或
步骤(B)中,所述待测激光中心波长为200nm~5000nm。
根据本发明第一方面的方法,其中,步骤(C)包括以下步骤:
(I)将待测超短激光脉冲导入FROG脉冲相位测量装置;
(II)在FROG脉冲相位测量装置内将待测超短激光脉冲分成2~3束超短激光脉冲,并将其中一束激光脉冲反射到固定在位移装置上的反射镜上,使用位移装置作为延迟调节装置;
(III)将步骤(II)中分束的超短激光脉冲共同聚焦在非线性晶体上,产生一束新的非线性信号;
(IV)使用软件编程,控制位移装置步进移动,同时每移动一步使用光谱采集装置测量非线性信号的光谱,传输至计算机;和
(V)将测到位移装置不同位置处多组非线性信号的光谱在计算机内组合得到延迟扫描光谱行迹图或行迹图数据。
根据本发明第一方面的方法,其中,步骤(III)中,所述非线性晶体选自以下一种或多种:BBO、BIBO、KDP、KTP、LBO、白宝石、熔石英;和/或
步骤(IV)中,所述步进移动的长度为1nm~100μm…。根据本发明第一方面的方法,其中,步骤(2)中,所述卷积神经网络模型由滤波器大小为2×2的四个卷积层组成;
优选地,每个卷积层的滤波器数量分别为128、64、32、32。
根据本发明第一方面的方法,其中,在卷积计算的每一层中,用ELU函数将非线性因素引入神经网络。
本发明的第二方面提供了一种超短激光脉冲宽度预测系统,所述超短激光脉冲相位预测系统采用第一方面所述方法进行超短激光脉冲相位预测;且所述超短激光脉冲宽度预测系统包括超短脉冲激光器、光学平台、光谱采集装置、FROG脉冲相位测量装置、位移装置、实验台、显示器和主机,且所述光谱采集装置、实验台和显示器均与所述主机电性连接。
根据本发明第二方面的超短激光脉冲宽度预测系统,其中,所述位移装置为平移台或压电陶瓷位移装置;和/或
所述位移装置通过主机控制。
根据本发明第二方面的超短激光脉冲宽度预测系统,其中,所述超短脉冲激光器安装在所述光学平台上;和/或
所述超短脉冲激光器发射的激光脉冲宽度在百飞秒以下。
本发明公开了卷积神经网络的超短激光脉冲宽度预测系统,包括超短脉冲激光器、平移台或压电陶瓷位移装置、激光脉冲宽度和相位测量装置、光学平台、显示器及主机,所述平移台或压电陶瓷位移装置、实验台和显示器均与所述主机电性连接。具体工作方式如下:一束超短脉冲激光经过分束,生成两到三束激光,其中一束光可以通过压电陶瓷或平移台调节与另外一到两束光之间的时间延迟,将这几束光聚焦重合在非线性晶体内并调节延迟,使用激光脉冲宽度和相位测量装置和采集软件测量处理并保存得到的非线性信号,发送至卷积神经网络学习计算平台进行传输后脉冲信息的预测。本发明通过理论数据和实验数据进行卷积神经网络模型的学习和训练,通过训练后的模型预测测量到的超短激光脉冲宽度和相位,此方法相比于传统的超短脉冲测量方法,能有效的提升测量效率和准确率。
基于卷积神经网络的超短激光脉冲宽度预测方法,包括以下步骤:
S1:通过频率分辨光学开关法脉宽测量仪(FROG)测量待测脉冲的延迟扫描光谱行迹图或行迹图数据(trace),使用软件对实验数据进行反演得到被测脉冲的形状,宽度和相位,获得实验数据。使用计算机编程,利用方程推导得到非线性三波混频和四波混频理论过程,计算得到超短脉冲倍频(SHG-FROG),自衍射(SD-FROG)、偏振(PG-FROG)、瞬态光栅(TG-FROG)、三倍频(THG-FROG)等频率分辨光学开关法(frequency-resolved optical gating,FROG)延迟扫描光谱行迹图或行迹图数据,及脉冲的宽度和相位信息。两者作为训练数据。
S2:建立卷积神经网络模型,设置相应的模型参数,包括网络层数和激活函数等;
S3:将训练数据输入卷积神经网络模型,对卷积神经网络模型进行训练,优化卷积神经网络模型;
S4:将待测脉冲通过频率分辨光学开关法脉宽测量仪测量脉冲的延迟扫描光谱行迹图或行迹图数据(trace),导入到卷积神经网络模型中,预测脉冲的宽度和相位信息。
进一步的,所述S1包括以下步骤:
S11:使用频率分辨光学开关法脉宽测量仪(FROG)测量待测脉冲的脉冲延迟扫描光谱行迹图或行迹图数据(trace),得到脉冲的宽度和相位信息;
S12:使用软件程序反演计算测量到的脉冲延迟扫描光谱行迹图或行迹图数据(trace),得到脉冲的宽度和相位信息;
S13:改变超短激光脉冲初始参数,获得多组实验数据;
S14:将理论数据及实验数据作为训练数据集。
步骤S14训练数据集包含实验数据,是为了提升预测的准确度。
所述卷积神经网络,其模型为CNN,激活函数选用ELU。
基于卷积神经网络的超短激光脉冲宽度预测系统,包括超短脉冲激光器、光学平台、激光脉冲相位测量装置、激光强度测量装置、实验台、显示器及主机,所述激光强度测量装置、实验台和显示器均与所述主机电性连接。所述超短脉冲激光器安装在所述光学平台上;所述激光脉冲相位测量装置用于脉冲延迟扫描光谱行迹图或行迹图数据(trace)的测量,并将相位信息传输至所述主机,主机中的软件对脉冲延迟扫描光谱行迹图或行迹图数据(trace)进行反演得到脉冲的宽度和相位信息;所述激光强度测量装置用于测量激光脉冲进入激光脉冲相位测量装置的强度,并将能量信息传输至所述主机。所述主机用于使用所述测量得到的脉冲延迟扫描光谱行迹图或行迹图数据(trace)、并反演计算得到脉冲的宽度和相位信息,及建立训练数据集,建立卷积神经网络网络模型;设置相应参数,包括网络层数和激活函数等,将训练数据输入卷积神经网络模型;对卷积神经网络模型进行训练,优化卷积神经网络模型;将待测脉冲通过激光脉冲相位测量装置,测量脉冲的延迟扫描光谱行迹图或行迹图数据(trace),并输入所述主机进行预测,得到预测脉冲宽度和相位信息。
所述超短脉冲激光器发射的激光脉冲宽度在飞秒量级,中心波长及光谱可根据预测需求进行调整。
所述激光脉冲相位测量装置,包括SHG-FROG、SD-FROG、THG-FROG、PG-FROG、TG-FROG等基于频率分辨光学开关法的测量装置。
本发明的超短激光脉冲宽度预测系统可以具有但不限于以下有益效果:
本发明通过在采集超快激光脉冲的脉冲延迟扫描光谱行迹图或行迹图数据(trace)并反演得到脉冲的宽度和相位信息,构建训练集建立卷积神经网络模型,进行卷积神经网络模型训练,使用这种方案可以提高对脉冲信息获取的效率,并在模型构建完成后,降低超快激光脉冲时域信息获取的技术难度。
附图说明
以下,结合附图来详细说明本发明的实施方案,其中:
图1示出了本发明基于卷积神经网络的超短激光脉冲宽度预测方法。
图2示出了实施例1中CNN模型结构示意图。
图3示出了理论计算的trace和对于时域脉冲信息;其中图3a~图3e分别示出了理论计算得到的行迹图;图3f~图3j分别示出了3a-3e行迹图对应的时域脉冲和相位信息。
图4示出了学习和预测流程图。
图5示出了实施例2的行迹图。
图6示出了实施例2的预测结果。
具体实施方式
下面通过具体的实施例进一步说明本发明,但是,应当理解为,这些实施例仅仅是用于更详细具体地说明之用,而不应理解为用于以任何形式限制本发明。
本部分对本发明试验中所使用到的材料以及试验方法进行一般性的描述。虽然为实现本发明目的所使用的许多材料和操作方法是本领域公知的,但是本发明仍然在此作尽可能详细描述。本领域技术人员清楚,在上下文中,如果未特别说明,本发明所用材料和操作方法是本领域公知的。
以下实施例中使用的试剂和仪器如下:仪器:
本发明使用的频率分辨光学开关脉宽测量仪为自行搭建,其设计结构为改进的折叠型BOXCARS结构,入射光(即待测激光)经过的两片宽带反射镜为D型银镜,还经过一个三孔光阑,再聚焦入射一块熔融石英薄片作为三阶非线性介质产生测量信号本发明提供的基于瞬态光栅的频率分辨光学开关激光测量装置可以包括两片宽带反射镜、一个精密平移台、一个三孔光阑、两片宽带聚焦镜、一个测量光阑、一块非线性介质薄片以及一台高分辨率光谱仪。使用TG-FROG时采用上述步骤,使用其他FROG为两束光,一束通过固定的D型镜上反射,另一束通过安装有精密平移台的D型镜反射。
实施例1
本实施例用于说明本发明基于卷积神经网络的超短激光脉冲宽度预测方法和系统。
如图1所示,基于卷积神经网络的超短激光脉冲宽度预测方法,包括以下步骤:
S1:利用方程推导得到非线性三波混频和四波混频理论过程,计算得到超短脉冲倍频(SHG-FROG)、自衍射(SD-FROG)、偏振(PG-FROG)、瞬态光栅(TG-FROG)、三倍频(THG-FROG)等频率分辨光学开关法(frequency-resolved optical gating,FROG)延迟扫描光谱行迹图或行迹图数据,及脉冲的宽度和相位信息,作为理论数据。
表1不同方法FROG的trace表达式
通过基于频率分辨光学开关法的脉冲相位测量装置获得待测脉冲的延迟扫描光谱行迹图或行迹图数据,对实验数据进行反演得到被测脉冲的形状、宽度和相位,作为实验数据。反演程序计算,使用matlab、Python等软件或语言环境编写。
将上述理论数据和实验数据作为训练数据。
S2:建立卷积神经网络模型,设置相应的模型参数,包括网络层数和激活函数等;其中模型可分为输入模块、特征提取模块、决策层模块,输入模块。
用于FROG相位检索的神经网络由滤波器大小为2X2的四个卷积层组成。每个卷积层的滤波器数量分别为128、64、32、32。每个滤波器的步幅参数设置为1。在卷积计算的每一层中,ELU函数用于将非线性因素引入神经网络。为了压缩数据和参数的数量,减少过度拟合并提高神经网络的容错性,在ELU之后的卷积计算的每一层中使用2x2滤波器进行最大池化。在经过四个卷积层之后,神经网络具有两个分别为512和1024大小的全连接层,以建立与表示FROG的脉冲宽度和相位表示的输出的连接。输入是FROG测得的trace。输出为脉冲的时域信息和相位。当loss降低到某个设定值时,本发明人设定为10-3,认为模型训练达到预期。
S3:将训练数据输入卷积神经网络模型,对卷积神经网络模型进行训练,优化卷积神经网络模型;卷积神经网络基于CNN框架,使用Python编写。图2示出了实施例1中CNN模型结构示意图。
S4:将待测脉冲通过基于频率分辨光学开关法的脉冲相位测量装置(FROG)后的脉冲延迟扫描光谱行迹图或行迹图数据(trace)导入卷积神经网络模型中,预测脉冲的宽度和相位信息。图3示出了理论计算的trace和对于时域脉冲信息。如图4所示,所述S1具体包括以下步骤:
S11:利用方程推导得到非线性三波混频和四波混频理论过程,计算得到超短脉冲倍频(SHG-FROG)、自衍射(SD-FROG)、偏振(PG-FROG)、瞬态光栅(TG-FROG)、三倍频(THG-FROG)等频率分辨光学开关法(frequency-resolved optical gating,FROG)延迟扫描光谱行迹图或行迹图数据,以及脉冲的时域和相位信息;
S12:根据待测激光中心波长200nm~5000nm,改变入射脉冲初始相位、宽度等参数进行理论数据生成;
S13:改变超短激光脉冲初始参数中心波长在200nm~5000nm,脉冲宽度为3fs~100fs,进行测量实验,通过FROG测量反演计算脉冲的宽度信息和相位信息,获得多组实验数据;
S14:将理论数据及实验数据作为训练数据集;为了实现自动化的数据采集与存储使用软件编程控制、测量和保存实验数据。
其中,S13进一步包括以下步骤:
S131:将待测超短激光脉冲导入FROG脉冲相位测量装置;
S132:在FROG脉冲相位测量装置内将待测超短激光脉冲分成2到3束超短激光脉冲,并将其中一束激光脉冲反射到固定在平移台或压电陶瓷的反射镜上,使用平移台或压电瓷作为延迟调节装置;
S133:将这2至3束超短激光脉冲共同聚焦在非线性晶体上,产生一束新的非线性信号,所述非线性晶体选自BBO或BIBO或KDP或KTP或LBO或白宝石或熔石英;
S134:使用软件编程,控制平移台或压电陶瓷按一定长度1-10nm步进移动,同时每步移动一步使用光谱采集装置测量非线性信号的光谱,传输至计算机;S135:将测到平移台或压电陶瓷不同位置处多组非线性信号的光谱在计算机内组合得到延迟扫描光谱行迹图或行迹图数据。
通过采用上述技术方案,对卷积神经网络模型所需的理论及实验数据作为训练数据集,以达到提高模型精度的效果。
通过采用上述方案,若不进行实验数据的采集,由于理论数据会与实际实验情况存在部分误差0.1-10fs,不利于预测模型的精度提高0.1-10fs。采集实验数据添加在训练集中,与实际情况相符的数据可以使模型训练效率提高。
所使用卷积神经网络模型为基于Convolutional neural network(CNN)模型。对于目前主流的神经网络模型,本发明人进行了对比:对于卷积神经网络来说,其在图像处理方面有着广泛的应用,由于其卷积计算的特性,可以保证通过同一模型对不同格式大小的数据进行分析处理,并当计算量足够的情况下充分抓取细节,是主流的图像信息处理模型;多层感知机(MLP,Multilayer Perceptron)模型的运算速度更快,但无法处理图像信息。
基于卷积神经网络的超短激光脉冲宽度预测系统,包括超短脉冲激光器、光学平台、脉冲相位测量装置、激光强度测量装置、实验台、显示器及主机,所述激光强度测量装置、实验台和显示器均与所述主机电性连接。所述超短脉冲激光器安装在所述光学平台上;所述激光脉冲相位测量装置用于测量脉冲延迟扫描光谱行迹图或行迹图数据(trace),并将信息传输至所述主机;所述激光强度测量装置用于测量激光脉冲进入激光脉冲相位测量装置的激光能量信息及测量激光脉冲通过非线性晶体后的产生的非线性信息,并将能量信息传输至所述主机。所述主机用于使用所述测量得到的激光时域脉冲信息(包含形状和宽度)、反演计算相位信息及脉冲宽度信息,从理论计算延迟扫描光谱行迹图或行迹图数据、激光光谱信息、反演计算相位信息及脉冲宽度信息;建立训练数据集,建立卷积神经网络模型;设置相应参数,包括网络层数和激活函数等,将训练数据输入卷积神经网络模型;对卷积神经网络模型进行训练,优化卷积神经网络网络模型;将待测脉冲通过激光脉冲相位测量装置,得到脉冲延迟扫描光谱行迹图或行迹图数据(trace),并输入所述主机进行预测,得到预测脉冲和相位信息。所述超短激光脉冲宽度预测系统还包括平移台或压电陶瓷位移装置和反演计算软件,所述平移台或压电陶瓷位移装置用于调节几束相同脉冲之间的延迟,所述平移台或压电陶瓷位移装置通过主机控制;所述反演计算软件用于计算测到的非线性信息得到超短激光脉冲的宽度和相位信息。通过采用上述技术方案,激光脉冲相位测量装置、激光强度测量装置采集不同参数初始激光脉冲的信息,并传输至主机,操作人员通过人机交互装置和显示器在主机内进行卷积神经网络模型等工作,完成卷积神经网络模型的优化后,操作人员将待测脉冲的宽度及相位信息导入模型,通过卷积神经网络模型输出相应的预测值,并通过显示器显示出来。
所述超短脉冲激光器发射的激光脉冲宽度在飞秒量级,中心波长及光谱可根据预测需求进行调整。
所述激光脉冲相位测量装置,包括SHG-FROG、SD-FROG、THG-FROG、PG-FROG、TG-FROG等基于频率分辨光学开关法的测量装置。
通过采用上述技术方案,SHG-FROG、SD-FROG、THG-FROG、PG-FROG、TG-FROG等设备均仅参与训练集建立,本发明基于卷积神经网络的超短激光脉冲宽度和相位预测方法,在训练集构建完成、卷积神经网络模型优化完毕后,即可使用基于频率分辨光学开关法的测量装置,就能得到脉冲时域信息。
实施例2
本实施例采用实施例1中的系统和方法进行预测。
S1:利用方程推导得到非线性四波混频理论过程,计算得到超短脉冲倍频瞬态光栅TG-FROG频率分辨光学开关法(frequency-resolved optical gating,FROG)延迟扫描光谱行迹图或行迹图数据,及脉冲的宽度和相位信息,作为理论数据。通过基于频率分辨光学开关法的脉冲相位测量装置获得实验数据,获得训练数据。S1具体包括以下步骤:
S11:利用方程推导得到非线性四波混频理论过程,计算得到超短脉冲瞬态光栅频率分辨光学开关法(TG-FROG)延迟扫描光谱行迹图或行迹图数据,以及脉冲的时域和相位信息;
S12:根据待测激光中心波长800nm,改变入射脉冲初始相位、宽度等参数进行理论数据生成;
S13:改变超短激光脉冲初始参数,进行测量实验,通过TG-FROG测量反演计算脉冲的宽度信息和相位信息,获得多组实验数据;
S14:将理论数据及实验数据作为训练数据集。
其中,S13包括以下步骤:
S131:将待测超短激光脉冲导入TG-FROG脉冲相位测量装置;
S132:在TG-FROG脉冲相位测量装置内将待测超短激光脉冲分成3束超短激光脉冲,并将其中一束激光脉冲反射到固定在平移台或压电陶瓷的反射镜上,使用平移台或压电瓷作为延迟调节装置;
S133:将分为3束后的超短激光脉冲共同聚焦在非线性晶体熔石英上,产生一束新的非线性信号;
S134:使用软件编程,控制平移台或压电陶瓷按10nm长度步进移动,同时每步移动一步使用光谱采集装置测量非线性信号的光谱,传输至计算机;
S135:将测到平移台或压电陶瓷不同位置处多组非线性信号的光谱在计算机内组合得到延迟扫描光谱行迹图或行迹图数据,该行迹图如图5所示。
S2:建立卷积神经网络模型,设置相应的模型参数,包括网络层数和激活函数等4层卷积层,2层全连接层,使用ELU激活函数;其中模型可分为输入模块、特征提取模块、决策层模块,输出模块。
用于FROG相位检索的神经网络由滤波器大小为2X2的四个卷积层组成。每个卷积层的滤波器数量分别为128、64、32、32。每个滤波器的步幅参数设置为1。在卷积计算的每一层中,ELU函数用于将非线性因素引入神经网络。为了压缩数据和参数的数量,减少过度拟合并提高神经网络的容错性,在ELU之后的卷积计算的每一层中使用2x2滤波器进行最大池化。在经过四个卷积层之后,神经网络具有两个分别为512和1024大小的全连接层,以建立与表示FROG的脉冲宽度和相位表示的输出的连接。输入是FROG测得的行迹图或行迹图数据。输出为脉冲的时域信息和相位。当loss降低到某个设定值时,本发明人设定为10-3,认为模型训练达到预期。
S3:将训练数据输入卷积神经网络模型,对卷积神经网络模型进行训练,优化卷积神经网络模型;
S4:将待测脉冲通过基于频率分辨光学开关法的脉冲相位测量装置(FROG)后的脉冲延迟扫描光谱行迹图或行迹图数据(trace)导入卷积神经网络模型中,预测脉冲的宽度和相位信息,预测结果如图6所示。
本实施例采用如实施例1所述的基于卷积神经网络的超短激光脉冲宽度预测系统,通过采用上述技术方案,激光脉冲相位测量装置、激光强度测量装置采集不同参数初始激光脉冲的信息,并传输至主机,操作人员通过人机交互装置和显示器在主机内进行卷积神经网络模型等工作,完成卷积神经网络模型的优化后,操作人员将待测脉冲的宽度及相位信息导入模型,通过卷积神经网络模型输出相应的预测值,并通过显示器显示出来。
所述超短脉冲激光器发射的激光脉冲宽度在飞秒量级,中心波长及光谱可根据预测需求进行调整。
所述激光脉冲相位测量装置,包括SHG-FROG、SD-FROG、THG-FROG、PG-FROG、TG-FROG等基于频率分辨光学开关法的测量装置。
通过采用上述技术方案,SHG-FROG、SD-FROG、THG-FROG、PG-FROG、TG-FROG等设备均仅参与训练集建立,本发明基于卷积神经网络的超短激光脉冲宽度和相位预测方法,在训练集构建完成、卷积神经网络模型优化完毕后,即可使用基于频率分辨光学开关法的测量装置,就能得到脉冲时域信息,包括脉冲时域的形状大小和相位曲线,预测结果如图6所示。
在本发明描述中,需要理解的是,术语“内”、“外”、“上”、“下”、“左“、”右“等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了描述本发明,而不是指示或暗示所指装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
尽管本发明已进行了一定程度的描述,明显地,在不脱离本发明的精神和范围的条件下,可进行各个条件的适当变化。可以理解,本发明不限于所述实施方案,而归于权利要求的范围,其包括所述每个因素的等同替换。
Claims (10)
1.一种超短激光脉冲宽度预测方法,其特征在于,所述方法基于卷积神经网络,所述方法包括以下步骤:
(1)通过频率分辨光学开关法脉宽测量仪测量待测脉冲的延迟扫描光谱行迹图或行迹图数据,对实验数据进行反演得到被测脉冲的形状、宽度和相位,获得实验数据;利用方程计算得到频率分辨光学开关法延迟扫描光谱行迹图或行迹图数据,及脉冲的宽度和相位信息作为理论数据;上述实验数据和理论数据作为训练数据;
(2)建立卷积神经网络模型,设置模型参数;
(3)将步骤(1)所得训练数据输入卷积神经网络模型,对卷积神经网络模型进行训练,优化卷积神经网络模型;和
(4)将待测脉冲通过频率分辨光学开关法脉宽测量仪测量脉冲的延迟扫描光谱行迹图或行迹图数据,导入到步骤(3)得到的卷积神经网络模型中,预测脉冲的宽度和相位信息;其中,
步骤(1)包括以下步骤:
(A)利用方程推导得到非线性三波混频和四波混频理论过程,计算得到频率分辨光学开关法延迟扫描光谱行迹图或行迹图数据,以及脉冲的时域和相位信息;
(B)根据待测激光中心波长,改变入射脉冲初始参数进行理论数据生成;
(C)改变超短激光脉冲初始参数,进行测量实验,通过FROG测量反演计算脉冲的宽度信息和相位信息,获得多组实验数据;和
(D)将步骤(A)获得的理论数据和步骤(C)获得的实验数据作为训练数据。
2.根据权利要求1所述的方法,其特征在于,步骤(A)中,所述频率分辨光学开关法延迟扫描光谱行迹图或行迹图数据选自以下一种或多种:超短脉冲倍频频率分辨光学开关法、自衍射频率分辨光学开关法、偏振频率分辨光学开关法、瞬态光栅频率分辨光学开关法、三倍频频率分辨光学开关法;和/或
步骤(B)中,所述待测激光中心波长为200nm~5000nm。
3.根据权利要求1或2所述的方法,其特征在于,步骤(C)包括以下步骤:
(I)将待测超短激光脉冲导入FROG脉冲相位测量装置;
(II)在FROG脉冲相位测量装置内将待测超短激光脉冲分成2~3束超短激光脉冲,并将其中一束激光脉冲反射到固定在位移装置上的反射镜上,使用位移装置作为延迟调节装置;
(III)将步骤(II)中分束的超短激光脉冲共同聚焦在非线性晶体上,产生一束新的非线性信号;
(IV)使用软件编程,控制位移装置步进移动,同时每移动一步使用光谱采集装置测量非线性信号的光谱,传输至计算机;和
(V)将测到位移装置不同位置处多组非线性信号的光谱在计算机内组合得到延迟扫描光谱行迹图或行迹图数据。
4.根据权利要求3所述的方法,其特征在于,步骤(III)中,所述非线性晶体选自以下一种或多种:BBO、BIBO、KDP、KTP、LBO、白宝石、熔石英;和/或
步骤(IV)中,所述步进移动的长度为1~10nm。
5.根据权利要求1至4中任一项所述的方法,其特征在于,步骤(2)中,所述卷积神经网络模型由滤波器大小为2×2的四个卷积层组成。
6.根据权利要求5所述的方法,其特征在于,步骤(2)中,每个卷积层的滤波器数量分别为128、64、32、32。
7.根据权利要求5或6所述的方法,其特征在于,在卷积计算的每一层中,用ELU函数将非线性因素引入神经网络。
8.一种超短激光脉冲宽度预测系统,其特征在于,所述超短激光脉冲宽度 预测系统采用权利要求1至7中任一项所述方法进行超短激光脉冲宽度 预测;且所述超短激光脉冲宽度预测系统包括超短脉冲激光器、光学平台、光谱采集装置、FROG脉冲相位测量装置、位移装置、实验台、显示器和主机,且所述光谱采集装置、实验台和显示器均与所述主机电性连接。
9.根据权利要求8所述的超短激光脉冲宽度预测系统,其特征在于,所述位移装置为平移台或压电陶瓷位移装置;和/或
所述位移装置通过主机控制。
10.根据权利要求8或9所述的超短激光脉冲宽度预测系统,其特征在于,所述超短脉冲激光器安装在所述光学平台上;和/或
所述超短脉冲激光器发射的激光脉冲宽度在百飞秒以下。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326626.1A CN113063507B (zh) | 2021-03-26 | 2021-03-26 | 基于卷积神经网络的超短脉冲宽度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326626.1A CN113063507B (zh) | 2021-03-26 | 2021-03-26 | 基于卷积神经网络的超短脉冲宽度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113063507A CN113063507A (zh) | 2021-07-02 |
CN113063507B true CN113063507B (zh) | 2022-12-13 |
Family
ID=76564032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110326626.1A Active CN113063507B (zh) | 2021-03-26 | 2021-03-26 | 基于卷积神经网络的超短脉冲宽度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113063507B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216575B (zh) * | 2021-11-22 | 2024-04-05 | 山东大学 | 一种基于bp神经网络的超短脉冲重建系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5530544A (en) * | 1992-10-26 | 1996-06-25 | Sandia Corporation | Method and apparatus for measuring the intensity and phase of one or more ultrashort light pulses and for measuring optical properties of materials |
CN108647834B (zh) * | 2018-05-24 | 2021-12-17 | 浙江工业大学 | 一种基于卷积神经网络结构的交通流预测方法 |
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 |
CN112329275B (zh) * | 2021-01-04 | 2021-04-02 | 四川大学 | 一种激光金属增材沉积融合状态实时预测方法及系统 |
-
2021
- 2021-03-26 CN CN202110326626.1A patent/CN113063507B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113063507A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stoyanov et al. | Terahertz polariton propagation in patterned materials | |
Suresh et al. | Enhanced nonlinear optical responses of layered epsilon-near-zero metamaterials at visible frequencies | |
Will et al. | Generation of flat-top picosecond pulses by coherent pulse stacking in a multicrystal birefringent filter | |
Jin et al. | Spectrally resolved Hong-Ou-Mandel interference between independent photon sources | |
Shim et al. | Generation and characterization of phase and amplitude shaped femtosecond mid-IR pulses | |
Tan et al. | Photonic signal processor based on a Kerr microcomb for real-time video image processing | |
Jizan et al. | Bi-photon spectral correlation measurements from a silicon nanowire in the quantum and classical regimes | |
CN113063507B (zh) | 基于卷积神经网络的超短脉冲宽度预测方法 | |
CN101271025A (zh) | 一种对种子光信号进行超快时间分辨测量的方法及装置 | |
Fischer et al. | Autonomous on-chip interferometry for reconfigurable optical waveform generation | |
CN104777534A (zh) | 一种飞秒激光刻蚀波导光栅的制备装置及方法 | |
Esashi et al. | Ptychographic amplitude and phase reconstruction of bichromatic vortex beams | |
Wang et al. | Double-filtering method based on two acousto-optic tunable filters for hyperspectral imaging application | |
Odhner et al. | Direct phase and amplitude characterization of femtosecond laser pulses undergoing filamentation in air | |
Wu et al. | Optical generation of single-cycle 10 MW peak power 100 GHz waves | |
Sośnicki et al. | Interface between picosecond and nanosecond quantum light pulses | |
Azaña et al. | Spectral Fraunhofer regime: time-to-frequency conversion by the action of a single time lens on an optical pulse | |
Savitsky et al. | Single-cycle, multigigawatt carrier–envelope-phase-tailored near-to-mid-infrared driver for strong-field nonlinear optics | |
CN113077078B (zh) | 基于深度学习的超短激光脉冲相位预测方法及其系统 | |
Jedrkiewicz et al. | Golden ratio gain enhancement in coherently coupled parametric processes | |
Hong et al. | Intense ultraviolet–visible–infrared full-spectrum laser | |
Jankowski et al. | Supercontinuum generation by saturated second-order nonlinear interactions | |
Casasent et al. | Test and evaluation of the Soviet PROM and PRIZ spatial light modulators | |
Banfi et al. | Frequency shifting through cascaded second-order processes in a N-(4-nitrophenyl)-L-prolinol crystal | |
Antonov et al. | Switch multiplexer of fiber-optic channels based on multibeam acousto-optic diffraction |
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 |