CN113222250A - 基于卷积神经网络的大功率激光装置输出波形预测方法 - Google Patents

Abstract

本发明涉及基于卷积神经网络的大功率激光装置输出波形预测方法，属于大功率激光装置技术领域，在各条光路上设立监测点，提取波形数据及其对应的能量数据，选择指定光路，剔除异常数据，预处理波形数据，形成输入输出数据集，搭建卷积神经网络模型，利用训练数据集对卷积神经网络模型进行迭代优化，直至达到终止条件，将下一发次的预设数据集输入到训练后的卷积神经网络模型，得到预测输出波形，本发明对各光路的实际输出波形进行精准预测，为装置的参数配置、计划调整、资源配备提供决策支持，从而通过调整输入波形与整形模块参数的手段，满足物理实验对各光路间输出波形的要求。

Description

基于卷积神经网络的大功率激光装置输出波形预测方法

技术领域

本发明属于大功率激光装置技术领域，具体地说涉及基于卷积神经网络的大功率激光装置输出波形预测方法。

背景技术

大功率激光装置属于庞大复杂的大科学工程，其包括数十条光路，并要求各光路的输出能量和功率保持平衡，对各路输出波形也有着严格的要求。为满足上述要求，各条光路的结构与参数需要进行严密的设计，但是，由于每条光路内包括数以百计的光学元件与电气元件，元件在生产、加工、装校的过程中难免出现微小差异，而微小差异的累加会造成各光路的输出性能不同于其设计值，即存在一定偏差。并且，大功率激光装置的工作状态仅为一个单发、持续时间为数皮秒的脉冲，工作时间极短，成本极高，不能通过实时监控的方式对其进行测量与调整。

对于长期从事物理实验的工程人员来说，长期累积的经验使他们对波形的整形变化规律具有一定的敏锐度，能够通过前几次实验发次的测量结果从直觉上判断下一次实验发次的波形输出结果。一方面，人的直观预测没有理论依据，受主观情绪影响较大，预测趋势可能与真实趋势接近，但预测数值结果会与真实数值偏差较大，预测存在不准确性。另一方面，数十条光路需要对其输出波形进行预测，并对其输入波形进行调整，人的计算与反应速度有限，单靠工程人员难以高效地完成此项任务，无法解决实时性问题。此外，激光传输波形变化的过程可以依照物理模型进行仿真模拟，但用该方法计算出来的为理论设计结果。装置在实际运行过程中，测量波形与理论波形之间存在偏差，而理论模型无法预测该偏差。偏差的存在就会导致波形产生一些难以预测的变化，例如出现高频跳变、产生正弦调制、存在拖尾现象等。若各光路输出波形不能满足物理实验的辐照要求，实验效果会不理想，甚至导致实验失败。同时，大功率激光装置对光束能量起到放大作用，光路输出端的能量可达几千焦耳，在波形上微小的偏差比例也会造成较大的波形偏差数值。因此，需要设计一种能够精准预测各光路输出波形的方法。

发明内容

随着人工智能技术的发展，深度学习尤其是神经网络技术掀起了一股浪潮。深度学习受到人脑神经元的启发建立一套分层模型结构，对输入数据逐层提取特征，能很好地建立底层信号到高级语义的映射关系，在分类及回归问题上有很多应用。卷积神经网络作为目前应用最广泛的的深度学习方法之一，在诸多问题，例如图像识别、目标分类与定位等问题上有着稳定而有效的应用。

本发明针对现有技术的不足，提出了基于卷积神经网络的大功率激光装置输出波形预测方法，能够从实验数据中学习到输入、输出波形之间实际的映射关系，根据下一发次的指定输入波形，自动预测输出波形，预测结果较准确，减轻工程人员工作强度，对运维决策提供支持帮助。

为实现上述目的，本发明提供如下技术方案：

基于卷积神经网络的大功率激光装置输出波形预测方法，包括以下步骤：

步骤S1、在各条光路上设立监测点，提取测量数据，并分光路分发次存储测量数据，所述测量数据包括波形数据及其对应的能量数据；

步骤S2、将待预测输出波形的光路定义为指定光路，剔除异常数据，将指定光路的指定位置的波形数据进行预处理；

步骤S3、将预处理后的波形数据与指定光路的波形积分组合成向量，形成输入输出数据集，将输入输出数据集按比例分为训练数据集、验证数据集与测试数据集；

步骤S4、搭建卷积神经网络模型，利用训练数据集对卷积神经网络模型进行迭代优化，直至达到终止条件；

步骤S5、将下一发次的预设输入波形数据及输入波形积分输入到训练后的卷积神经网络模型，得到下一发次的预测输出波形。

进一步，所述指定位置由三处监测点组成两个工作段，所述三处监测点分别位于指定位置输入端、指定位置输出端和靶场输出端。由于工作段的工作机理不同，对两个工作段的总输入和总输出能量数据进行计算和预测时，会增加建立卷积神经网络模型的复杂度，预测精度会有所降低。优选的，将一个工作段的输入和输出能量数据进行计算和预测，能够为大功率激光装置的异常检测提供分析和决策支持。

优选的，指定位置输入端的波形数据作为输入波形数据，指定位置输入端的能量数据作为输入能量数据，指定位置输出端的波形数据作为输出波形数据，指定位置输出端的能量数据作为输出能量数据。

进一步，波形数据存储为txt文件，以光路命名，存储在以发次编号命名的文件夹中，根据选择的指定光路与发次读取数据。

优选的，波形数据存储格式为表头加数据内容，表头包括记录长度、点数、样本间隔、触发点数、样本数、触发时间、水平偏差，数据内容的格式为时间节点+功率测量值。

进一步，波形数据以行向量的形式进行表示，绘制波形图像时，横坐标为时间，纵坐标为功率。

进一步，能量数据存储为excel文件，根据波形数据在excel文件中查找对应的指定光路、指定位置、发次的能量数据。

进一步，波形数据和能量数据在其对应的特征维度进行归一化，即将波形数据根据其对应的能量数据缩小调整为0到1之间的数值，以保证迭代过程收敛，以便神经网络进行学习，并且记录下输入波形数据和输出波形数据的缩放系数，以便后续还原操作。

进一步，依赖能量数据识别异常数据，并剔除异常数据对应的波形数据。

在实验过程中，可能会出现故障、配置错误或其他异常现象，异常数据不能用作神经网络训练数据，否则会严重影响最终的预测结果，需要将异常数据剔除。能量数据为一维数值数据，易存储且易处理。当能量数据发生异常时，则能量数据对应的当前发次的波形数据也存在异常，因此，依赖能量数据识别异常数据。

优选的，先建立一个小型全连接神经网络，用当前未剔除异常数据的能量数据进行训练，再利用当前未剔除异常数据的能量数据测试网络输出效果，将网络输出结果与当前未剔除异常数据的能量数据进行对比，得出两者的关系函数并作为基准，将远离所述基准的数据视为异常数据。

优选的，根据实验前的配置参数，将理论计算得到的期望输出能量与实验测量得到的实际输出能量作对比，计算偏差百分比，设定偏差阈值，超过偏差阈值的数据为异常数据。

进一步，步骤S2中，所述预处理依次包括部分波形反转、去除本底噪声、波形截取和归一化。

进一步，在波形数据采集过程中，部分波形采集数据会出现取反的情况，需要进行反转处理，以保证所有波形的波峰均为正值。计算波形数据的最大值、最小值并比较绝对值，绝对值较大者的正负表示波形数据的正反，当绝对值较大者为负数时，需要将波形数据取反，保证脉宽范围内的波形数据均为正值。

进一步，受到噪声影响，波形数据会产生一些微小畸变，使脉宽范围外的本底数据存在负值。在部分波形反转后，保证脉宽范围内的波形数据均为正值的前提下，将脉宽范围外的波形数据中的所有负值置零，即可去除本底噪声。

进一步，波形数据量比较大，时长较长，但只有其中一部分数据是有用的波形数据，其余部分数据均为本底，将波形数据中有用的波形数据截取出来，以便于计算。

计算波形数据的一阶导数，导数绝对值最大与最小的位置即为波形的上升沿与下降沿，上升沿前一个脉宽时间长度的位置作为截取波形的起始点，下降沿后一个脉宽时间长度的位置作为截取波形的终止点，截取约三个脉宽时间长度的波形。

进一步，归一化包括顺序执行的时间归一化和能量归一化，

进一步，根据采样间隔对波形数据的横坐标进行尺度变换与平移变换，使输入波形与输出波形具有相同的时间尺度，且输入波形与输出波形的上升沿与下降沿分别对齐。

优选的，先计算输入波形与输出波形测量时的采样频率比值，对采样频率较低的波形依照采样频率比值进行插值，使输入波形与输出波形转变为相同的采样频率，再计算输入波形与输出波形的一阶导数，导数最大值与最小值分别对应波形的上升沿与下降沿，将输入波形与输出波形进行横坐标平移，使上升沿与下降沿分别对齐。

进一步，根据能量数据对波形数据的纵坐标进行尺度变换，使测量时带有衰减系数的纵坐标恢复为带有功率物理含义的数值。

优选的，计算输入波形对于时间的积分，将输入波形中的每一个位置的纵坐标数值除以总积分再乘以当前发次波形对应的能量数据，即计算输入波形的实时能量积分，使波形数据的纵坐标与能量关联。

进一步，步骤S3中，输入波形对于时间的积分作为波形积分，将对应发次的波形积分与预处理后的波形数据以行向量的形式组成一个二维向量，形成一个输入数据样本，将多个发次的输入数据样本排列，形成多样本的三维向量，即形成输入数据集。将对应发次的输出波形数据纵向排列组成一个二维向量，形成一个输出数据样本，将多个发次的输出数据样本排列，形成多样本的三维向量，形成输出数据集。

进一步，训练数据集所占比例最大。

优选的，训练数据集为早期产生的实验数据和配置数据，测试数据集为最近实验产生的数据。

进一步，步骤S4中，搭建基于二维U-Net改进的一维U-Net卷积神经网络模型。

优选的，迭代终止条件为：

训练数据集代入卷积神经网络模型后，计算得到的损失函数(也可称之为评价函数)的数值足够小并满足预设条件。

优选的，迭代终止条件为：

验证数据集代入卷积神经网络模型后，计算得到的损失函数连续增长次数满足预设条件，提前停止以防迭代不收敛，保证网络的泛化能力。

本发明的有益效果是：

1、建造一个智能化自动化的管控平台，对各光路的实际输出波形进行精准预测，为装置的参数配置、计划调整、资源配备提供决策支持，从而通过调整输入波形与整形模块参数的手段，满足物理实验对各光路间输出波形的要求。

2、采用深度学习的卷积神经网络，通过历史测量数据样本对卷积神经网络模型进行训练，将输入波形和输出波形的变换关系看作是传递函数，用网络模型去逼近目标传递函数，实现了对波形变换的预测。

3.引入异常数据剔除方法，去除了异常数据对模型训练过程的影响，使网络模型预测效果稳定、准确，保证其收敛性。

4.采用多输入单输出网络模型，考虑了多种特征对波形变换性能的影响。

5、在采集到的波形数据存在噪声和调制干扰的情况下，仍能排除无用噪声信号的影响，准确预测输出波形。

附图说明

图1是本发明的总流程图；

图2为实施例二中预测输出波形的示意图。

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1所示，基于卷积神经网络的大功率激光装置输出波形预测方法，包括以下步骤：

步骤S1、在各条光路上设立监测点、安装测量仪器，提取测量数据，所述测量数据包括波形数据及其对应的能量数据，且分光路分发次存储测量数据。也就是说，波形数据和能量数据由大功率激光装置采集而来。

本实施例中，能量数据为年度运行数据集，包含了在一整年的运行过程中各光路所有安装有测量仪器的监测点的能量测量数据，以及各光路各发次对应的所有配置数据。波形数据为运行过程中采集的监测点的脉冲波形，采样间隔为几十皮秒，不同监测位置的采样间隔时间不同。

步骤S2、将待预测输出波形的光路定义为指定光路，将指定光路的指定位置的波形数据进行预处理，所述指定位置的波形数据包括输入波形数据和输出波形数据，能量数据包括输入能量数据和输出能量数据。本实施例中，指定位置为主放大器，输入能量数据、输入波形数据分别为预放大器输出能量数据、波形数据，输出能量数据、输出波形数据分别为主放大器输出能量数据、波形数据。

所述指定位置由三处监测点组成两个工作段，本实施例中，三处监测点分别位于预放大器输出端、主放大器输出端和靶场输出端，其中，预放大器输出端和主放大器输出端之间组成主放大器工作段，主放大器输出端和靶场输出端之间组成倍频靶场工作段。由于每个工作段的工作机理不同，对两个工作段的总输入和总输出能量数据进行计算和预测时，会增加建立卷积神经网络模型的复杂度，预测精度会有所降低。优选的，将一个工作段的输入和输出能量数据进行计算和预测，能够为大功率激光装置的异常检测提供分析和决策支持。

波形数据存储为txt文件，以光路命名，存储在以发次编号命名的文件夹中，根据选择的指定光路与发次读取数据。波形数据存储格式为表头加数据内容，表头包括记录长度、点数、样本间隔、触发点数、样本数、触发时间、水平偏差，数据内容的格式为时间节点+功率测量值。波形数据以行向量的形式进行表示，绘制波形图像时，横坐标为时间，纵坐标为功率。能量数据存储为excel文件，根据波形数据在excel文件中查找对应的指定光路、指定位置、发次的能量数据。

波形数据和能量数据在其对应的特征维度进行归一化，即将波形数据根据其对应的能量数据缩小调整为0到1之间的数值，以保证迭代过程收敛，以便神经网络进行学习，并且记录下输入波形数据和输出波形数据的缩放系数，以便后续还原操作。

在实验过程中，可能会出现故障、配置错误或其他异常现象，异常数据不能用作神经网络训练数据，否则会严重影响最终的预测结果，需要将异常数据剔除。能量数据为一维数值数据，易存储且易处理。当能量数据发生异常时，则能量数据对应的当前发次的波形数据也存在异常，因此，依赖能量数据识别异常数据，并剔除异常数据对应的波形数据。

优选的，利用神经网络的剔除方法。先建立一个小型全连接神经网络，用当前未剔除异常数据的能量数据进行训练，再利用当前未剔除异常数据的能量数据测试网络输出效果，将网络输出结果与当前未剔除异常数据的能量数据进行对比，得出两者的关系函数并作为基准，将远离所述基准的数据视为异常数据。优选的，利用先验知识的剔除方法。本实施例中，提取年度运行数据表格中的能量期望数据，计算指定光路每发次期望得到的主放大器期望输出能量与实际测量得到的主放大器实际输出能量之间的相对偏差，设定阈值为15％，若某发次的数据计算出的相对偏差超过该阈值，则认为该发次为异常数据，需要将其所对应的能量数据与波形数据剔除。引入异常数据剔除方法，去除了异常数据对模型训练过程的影响，使网络模型预测效果稳定、准确，保证其收敛性。

所述预处理依次包括部分波形反转、去除本底噪声、波形截取和归一化。在采集到的波形数据存在噪声和调制干扰的情况下，仍能排除无用噪声信号的影响，准确预测输出波形。

在波形数据采集过程中，部分波形采集数据会出现取反的情况，需要进行反转处理，以保证所有波形的波峰均为正值。计算波形数据的最大值、最小值并比较绝对值，绝对值较大者的正负表示波形数据的正反，当绝对值较大者为负数时，需要将波形数据取反，保证脉宽范围内的波形数据均为正值。

受到噪声影响，波形数据会产生一些微小畸变，使脉宽范围外的本底数据存在负值。在部分波形反转后，保证脉宽范围内的波形数据均为正值的前提下，将脉宽范围外的波形数据中的所有负值置零，即可去除本底噪声。波形数据量比较大，时长较长，但只有其中一部分数据是有用的波形数据，其余部分数据均为本底，将波形数据中有用的波形数据截取出来，以便于计算。

计算波形数据的一阶导数，导数绝对值最大与最小的位置即为波形的上升沿与下降沿，上升沿前一个脉宽时间长度的位置作为截取波形的起始点，下降沿后一个脉宽时间长度的位置作为截取波形的终止点，截取约三个脉宽时间长度的波形。

归一化包括顺序执行的时间归一化和能量归一化，根据采样间隔对波形数据的横坐标进行尺度变换与平移变换，使输入波形与输出波形具有相同的时间尺度，且输入波形与输出波形的上升沿与下降沿分别对齐。优选的，先计算输入波形与输出波形测量时的采样频率比值，对采样频率较低的波形依照采样频率比值进行插值，使输入波形与输出波形转变为相同的采样频率，再计算输入波形与输出波形的一阶导数，导数最大值与最小值分别对应波形的上升沿与下降沿，将输入波形与输出波形进行横坐标平移，使上升沿与下降沿分别对齐。在本实施例中，输入波形的采样间隔为20ps，输出波形的采样间隔为40ps，因此需要对输出波形进行两倍的插值。根据能量数据对波形数据的纵坐标进行尺度变换，使测量时带有衰减系数的纵坐标恢复为带有功率物理含义的数值。优选的，计算输入波形对于时间的积分，将输入波形中的每一个位置的纵坐标数值除以总积分再乘以当前发次波形对应的能量数据，即计算输入波形的实时能量积分，使波形数据的纵坐标与能量关联。

步骤S3、输入波形对于时间的积分作为波形积分，将对应发次的波形积分与预处理后的波形数据以行向量的形式组成一个二维向量，形成一个输入数据样本。将多个发次的输入数据样本排列，形成多样本的三维向量，即形成输入数据集。将对应发次的输出波形数据纵向排列组成一个二维向量，形成一个输出数据样本。将多个发次的输出数据排列，形成多样本的三维向量，形成输出数据集。将对应发次的输入数据集、输出数据集按时间顺序排列，形成输入输出数据集。将输入输出数据集按比例分为训练数据集、验证数据集与测试数据集。其中，训练数据集所占比例最大，训练数据集为早期产生的实验数据和配置数据，测试数据集为最近实验产生的数据。采用多输入单输出网络模型，考虑了多种特征对波形变换性能的影响。

本实施例中，将对应发次的波形积分与预处理后的波形数据组合为2*1000的二维向量，作为一个输入数据样本。将多个发次的输入数据样本排列，形成2*n*1000的向量为输入数据集。将经过预处理的输出波形数据表示为1*1000的二维向量，作为一个输出数据样本。将多个发次的输出数据样本排列，形成1*n*1000的向量为输出数据集。将输入、输出数据样本按时间顺序排列形成输入输出数据集，其中，n为样本量。按排列顺序，按照8：1：1的比例将输入输出数据集分为训练数据集、验证数据集与测试数据集。

步骤S4、搭建基于二维U-Net改进的一维U-Net卷积神经网络模型，利用训练数据集对卷积神经网络模型进行迭代优化，直至达到终止条件。具体的，利用下采样、上采样及跳跃运算方法。所述卷积指的是一维卷积，卷积模板大小为5。下采样是使输出向量长度为上一层向量长度的一半，所用方法为最大池化方法。上采样是使输出向量长度为上一层向量长度的一倍，所用方法为反卷积运算。跳跃是指在维度对齐的情况下，将上一层的向量复制，并附在输出向量的后面。然后对这个网络模型进行训练。模型的训练就是通过从已有的训练集数据中学习输入能量与输出能量之间的关系，建立一个复杂的函数。在本实施例中，将处理过的训练数据集用来对网络模型进行训练，观察结果并迭代优化，直至利用验证数据集对网络模型进行验证时效果符合终止条件。结果用评价函数来进行表征，评价函数为均方差函数，来表示预测输出与真实输出相似程度，该值越小，表示预测值与真值越接近。终止条件包括迭代次数达到预设上限，评价函数值小于预设阈值，交叉验证集验证结果的评价函数值连续增长次数达到预设上限。采用深度学习的卷积神经网络，通过历史测量数据样本对卷积神经网络模型进行训练，将输入波形和输出波形的变换关系看作是传递函数，用网络模型去逼近目标传递函数，实现了对波形变换的预测。本实施例中，迭代次数上限为3000，评价函数阈值为10-5，验证集评价函数增长次数上限为20。

步骤S5、将下一发次的预设输入波形数据及输入波形积分输入到训练后的卷积神经网络模型，得到下一发次的预测输出波形。

若需要预测下一发次运行时光路中主放大器的输出波形，利用当前发次的预放大器输出能量对预放大器输出数据进行预处理，计算波形积分，并以数据集的形式组合成一个2*1000的向量，输入到训练后的U-Net网络模型中，在输出层得到预测的主放大器输出波形，如图2所示。

在图2中，横坐标表示波形的1000个采样点，纵坐标表示波形的归一化幅值，实线表示实际输出波形，短划线表示实际输入波形(即卷积神经网络模型的输入特征)，点划线表示预测输出波形。由图2可以直接地看出：预测输出波形与实际输出波形在波形的三个平台上都吻合，说明预测效果精准。

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 (10)

1.基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，包括以下步骤：

步骤S1、在各条光路上设立监测点，提取测量数据，并分光路分发次存储测量数据，所述测量数据包括波形数据及其对应的能量数据；

步骤S2、将待预测输出波形的光路定义为指定光路，剔除异常数据，将指定光路的指定位置的波形数据进行预处理；

步骤S3、将预处理后的波形数据与指定光路的波形积分组合成向量，形成输入输出数据集，将输入输出数据集按比例分为训练数据集、验证数据集与测试数据集；

步骤S4、搭建卷积神经网络模型，利用训练数据集对卷积神经网络模型进行迭代优化，直至达到终止条件；

步骤S5、将下一发次的预设输入波形数据及输入波形积分输入到训练后的卷积神经网络模型，得到下一发次的预测输出波形。

2.根据权利要求1所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，所述步骤S1中，将波形数据根据其对应的能量数据缩小调整为0到1之间的数值，以保证迭代过程收敛。

3.根据权利要求2所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，所述步骤S2中，依赖能量数据识别异常数据，并剔除异常数据对应的波形数据。

4.根据权利要求1-3任一所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，所述步骤S2中，预处理依次包括部分波形反转、去除本底噪声、波形截取和归一化。

5.根据权利要求4所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，计算波形数据的最大值、最小值并比较绝对值，绝对值较大者的正负表示波形数据的正反，当绝对值较大者为负数时，需要将波形数据取反，保证脉宽范围内的波形数据均为正值。

6.根据权利要求5所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，在部分波形反转后，保证脉宽范围内的波形数据均为正值的前提下，将脉宽范围外的波形数据中的所有负值置零，去除本底噪声。

7.根据权利要求6所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，计算波形数据的一阶导数，导数绝对值最大与最小的位置即为波形的上升沿与下降沿，上升沿前一个脉宽时间长度的位置作为截取波形的起始点，下降沿后一个脉宽时间长度的位置作为截取波形的终止点。

8.根据权利要求7所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，根据采样间隔对波形数据的横坐标进行尺度变换与平移变换，使输入波形与输出波形具有相同的时间尺度，且输入波形与输出波形的上升沿与下降沿分别对齐；

根据能量数据对波形数据的纵坐标进行尺度变换，使测量时带有衰减系数的纵坐标恢复为带有功率物理含义的数值。

9.根据权利要求8所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，输入波形对于时间的积分作为波形积分，将对应发次的波形积分与预处理后的波形数据以行向量的形式形成输入数据样本，将多个发次的输入数据样本排列，形成输入数据集，将对应发次的输出波形数据纵向排列形成输出数据样本，将多个发次的输出数据样本排列，形成输出数据集，将输入、输出数据样本按时间顺序排列形成输入输出数据集。

10.根据权利要求9所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，搭建基于二维U-Net改进的一维U-Net卷积神经网络模型。

Images