CN113300769B - 一种基于压缩感知技术的自适应光学系统波前重构的方法 - Google Patents
一种基于压缩感知技术的自适应光学系统波前重构的方法 Download PDFInfo
- Publication number
- CN113300769B CN113300769B CN202110356137.0A CN202110356137A CN113300769B CN 113300769 B CN113300769 B CN 113300769B CN 202110356137 A CN202110356137 A CN 202110356137A CN 113300769 B CN113300769 B CN 113300769B
- Authority
- CN
- China
- Prior art keywords
- slope
- wavefront
- matrix
- sparse
- column
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
- H04B10/2575—Radio-over-fibre, e.g. radio frequency signal modulated onto an optical carrier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于压缩感知技术的自适应光学系统波前重构的方法,过程为:步骤1,将波前斜率在稀疏字典下进行稀疏表示;步骤2,采用观测矩阵对波前斜率进行稀疏测量,得到斜率测量值;步骤3,通过稀疏度自适应匹配追踪算法重构波前斜率;步骤4,根据波前斜率,计算泽尼克多项式的系数矩阵,重构出波前的相位。本发明方法解决了现有技术中数据量大、数据传输及储存压力高的问题。
Description
技术领域
本发明属于无线光通信技术领域,涉及一种基于压缩感知技术的自适应光学系统波前重构的方法。
背景技术
以激光作为信息载体的无线光通信技术已经成为目前最具潜力的一种通信方式,无线激光通信技术在深空探测、星地无线光通信、星间无线光通信以及近地无线光通信等范围内都得到了普遍的关注与运用。在近地面无线激光通信中,由于大气结构本身的复杂性,以及大气运动的随机性和多变性等特性所带来的影响,使得激光在传播过程中特别容易被大气湍流所干扰,致使激光束产生诸如光强闪烁、源像抖动、光束偏移以及其它一些光学效应。另外,由大气湍流的变化引发的大气折射率的不均衡,造成激光在传输过程中出现偏折、聚焦、散射、扩散等光学现象,从而造成畸变的激光波前,对近地无线光通信链路产生影响。此外,无线激光通信链路距离的增加,激光器的输出功率必然提高,其激光器腔镜会发生热变形致使输出激光波前产生相位畸变,导致光束质量下降,从而使得通信质量降低。因此,寻找一种减小大气湍流影响,提高激光通信质量的方法是激光通信研究当中的一个主要任务。
自适应光学(Adaptive Optics,AO)的出现使得使用它的光学系统能够有效地补偿大气湍流产生的波前畸变,主动适应外界环境的变化,从而被广泛应用天文观测、空间目标观测和激光传输等系统。自适应光学系统通过使用波前传感器感知并测量出波前的畸变信息,并把这些畸变信息交给波前处理器进行相应的运算和处理,所要达到的目的就是驱动波前校正器校正波前畸变,提高激光通信的质量。自适应光学系统主要由三部分组成:波前校正器、波前传感器和波前控制器。其中,波前传感器是自适应光学系统的眼睛,用于实时探测光学系统中存在的静态和动态波前误差。波前控制器是自适应光学系统的大脑,用于实时处理波前传感器输出的波前畸变信号,计算波前误差,从而得到波前校正器上所需施加的电压控制信号。波前校正器是自适应光学系统的执行元件,产生与输入畸变波前共轭的波面,经过校正后的光束接近平面波,最终使成像系统其基本原理是生成相位共轭的波前对畸变波前进行实时相位补偿。现有的方法需要测量每一个子孔径的平均斜率,计算量过大,增大了数据传输和储存压力。波前重构是自适应光学中必不可少的部分,为了提高自适应光学系统校正波前畸变的能力,探测技术以及重构算法的改进对于自适应光学系统来说变得极为重要。
发明内容
本发明的目的是提供一种基于压缩感知技术的自适应光学系统波前重构的方法,解决了现有技术中数据量大、数据传输及储存压力高的问题。
本发明所采用的技术方案是,一种基于压缩感知技术的自适应光学系统波前重构的方法,具体按照以下步骤实施:
步骤1,将波前斜率在稀疏字典下进行稀疏表示;
步骤2,采用观测矩阵对波前斜率进行稀疏测量,得到斜率测量值;
步骤3,通过稀疏度自适应匹配追踪算法重构波前斜率;
步骤4,根据波前斜率,计算泽尼克多项式的系数矩阵,重构出波前的相位。
本发明的特征还在于,
步骤1的具体过程为:
设gx、gy分别为x、y方向上需要稀疏表示的斜率信号,将斜率信号gx、gy在稀疏字典ψ∈RM×N下进行稀疏表示为:
gx=ψαx,gy=ψαy (1)
式(1)中,αx∈RM×N,αy∈RM×N分别为x、y方向上的稀疏矩阵。
步骤2中,斜率测量值的表达式为:
fx=φgx,fy=φgy (2)
式(2)中fx∈RM×N,fy∈RM×N,分别为x、y方向上的斜率测量值;Φ为观测矩阵,其大小为M×N且满足RIP准则,M<<N,M为对斜率信号观测得到的观测向量的维数,N为斜率信号的维数;
将公式(1)与公式(2)结合,得到公式(3),即x、y方向上的斜率测量值为:
fx=φψαx=Aαx,fy=φψαy=Aαy (3)
式(3)中A=φψ∈RM×N为感知矩阵。
步骤3的具体按照以下步骤实施:
步骤3.1,初始化参数:rx0=gx,ry0=gy,Λx0=φ,Λy0=φ,t=1;
其中,rx0为x方向上的初始残差;ry0为y方向上的初始残差;gx为x方向上需要稀疏表示的斜率信号;gy为y方向上需要稀疏表示的斜率信号;t为迭代次数;
步骤3.2,构建列序号集合sxk、syk,计算原子候选更新集、采用最小二乘法稀疏逼近真实稀疏度、波前重构矩阵,更新残差,更新迭代次数,判断运算终止条件,求解系数α'xt、α'yt;
步骤3.3,计算x、y方向上需要稀疏表示的斜率信号gx、gy的稀疏表示信号g'x、g'y,表达式为:
g’x=ψα’xt
g’y=ψα’yt
将稀疏表示信号g'x、g'y使用模式法进行重构,得到波前斜率值;
模式法用泽尼克多项式表示的波前定义为:
式(4)中,Zi(x,y)为各项泽尼克多项式,hi为第i项泽尼克多项式的系数;
用泽尼克多项式对畸变波前拟合,表示为:
G=CH (5)
其中,H为泽尼克多项式的系数向量,C称为波前重构矩阵,G为波前斜率值,即g'x、g'y组成的矩阵。
步骤3.2具体按照以下步骤实施:
步骤3.2.1,设ux={uxj|uxj=|<rx(t-1),aj>|,1≤j≤N}、uy={uyj|uyj=|<ry(t-1),aj>|,1≤j≤N},选择ux中Lx个最大值,选择uy中Ly个最大值,若ux中非零元素的个数小于Lx,则选择ux中所有非零元素,若uy中非零元素的个数小于Ly,则选择uy中所有非零元素,将这些最大值对应感知矩阵A中的列序号j构成列序号集合sxk、syk;
其中,aj为感知矩阵A的第j列;j为列数;rx(t-1)为x方向上t-1次迭代的残差;ry(t-1)为y方向上t-1次迭代的残差;uxj为x方向上列序号j的内积;uyj为y方向上列序号j的内积;ux为x方向上的内积;uy为y方向上的内积;
步骤3.2.2,计算原子候选更新集,表达式为:
Cxk=Λx(t-1)∪Sxk,Cyk=Λy(t-1)∪Syk,At={aj}
其中,Cxk为x方向上原子候选更新集;Cyk为y方向上原子候选更新集;At为按Λt选出的aj列向量组成的集合;符号∪表示集合的并运算;Λt为t次迭代的列序号集合;Λx(t-1)为x方向上t-1次迭代的列序号集合;Λy(t-1)为y方向上t-1次迭代的列序号集合;
步骤3.2.3,采用最小二乘法稀疏逼近真实稀疏度,表达式为:
式中,Axt为x方向上按Λt选出的aj列向量组成的集合;Ayt为y方向上按Λt选出的aj列向量组成的集合;αxt为x方向上t次迭代的稀疏矩阵;αyt为y方向上t次迭代的稀疏矩阵;
步骤3.2.4,从中选出绝对值最大的Lx项记为从中选出绝对值最大的Ly项记为对应的Axt中的Lx记为AxtL,对应的Ayt中的Ly记为AytL,对应AxtL的列序号记为ΛxtL,对应AytL的列序号记为ΛytL,记集合F=ΛxtL∪ΛytL;
步骤3.2.5,更新残差,表达式为:
式中,rxt为x方向上的残差;ryt为y方向上的残差;
步骤3.2.6,更新迭代次数,判断运算终止条件:
(1)判断是否满足rxt=0,ryt=0,若不满足则转入(2),若满足则停止;
(2)如果||rxt||2≥||rx(t-1)||2、||ryt||2≥||ry(t-1)||2更新步长Lx=Lx+S、Ly=Ly+S,返回步骤3.2.1继续迭代,其中,S为步长;
(3)如果(1)和(2)的条件均不满足,则Λt=F,t=t+1;
步骤4的具体过程为:根据波前斜率,把泽尼克多项式的系数矩阵H求出来,然后代入公式(4)中,即可重构出波前的相位。
本发明的有益效果是,
(1)一种基于压缩感知技术的自适应光学系统波前重构的方法,应用压缩感知技术进行波前重构,能够大大提高波前信号的测量速度,方便计算波前校正器驱动电极的控制电压;
(2)一种基于压缩感知技术的自适应光学系统波前重构的方法,采用压缩感知技术对畸变波前斜率进行压缩,再利用压缩的数据使用贪婪迭代算法重构出畸变波前斜率,进而重构出相位,可以大幅度减少数据量、降低数据传输和储存压力。
附图说明
图1是本发明一种基于压缩感知技术的自适应光学系统波前重构的方法的流程图;
图2是自适应光学系统原理图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供一种基于压缩感知技术的自适应光学系统波前重构的方法,如图1所示,具体按照以下步骤实施:
步骤1,将波前传感器测量的子孔径内波前的平均斜率(波前斜率)在稀疏字典下进行稀疏表示;
设gx、gy分别为x、y方向上需要稀疏表示的斜率信号,将斜率信号gx、gy在稀疏字典ψ∈RM×N下进行稀疏表示为:
gx=ψαx,gy=ψαy (1)
式(1)中,αx∈RM×N,αy∈RM×N分别为x、y方向上的稀疏矩阵;
步骤2,采用观测矩阵对波前斜率进行稀疏测量,得到斜率测量值,即:
fx=φgx,fy=φgy (2)
式(2)中fx∈RM×N,fy∈RM×N,分别为x、y方向上的斜率测量值;Φ为观测矩阵,其大小为M×N且满足RIP准则(有限等距性质),M<<N,M为对斜率信号观测得到的观测向量的维数,N为斜率信号的维数;
观测矩阵用于斜率信号中抽取M个观测值,从而通过该M个观测值恢复原始斜率信号;RIP性质(有限等距性质)能够保证观测矩阵Φ不会把两个不同的稀疏度的稀疏信号映射到同一个集合中(保证原空间到稀疏空间的一一映射关系),且从观测矩阵φ中抽取的每M个列向量构成的矩阵是非奇异的;
将公式(1)与公式(2)结合,得到公式(3),即x、y方向上的斜率测量值为:
fx=φψαx=Aαx,fy=φψαy=Aαy (3)
式(3)中A=φψ∈RM×N为感知矩阵;
步骤3,通过稀疏度自适应匹配追踪算法(SAMP)重构波前斜率;
步骤3.1,初始化参数:rx0=gx,ry0=gy,Λx0=φ,Λy0=φ,t=1;
其中,rx0为x方向上的初始残差;ry0为y方向上的初始残差;gx为x方向上需要稀疏表示的斜率信号;gy为y方向上需要稀疏表示的斜率信号;t为迭代次数;
步骤3.2,构建列序号集合sxk、syk,计算原子候选更新集、采用最小二乘法稀疏逼近真实稀疏度、波前重构矩阵,更新残差,更新迭代次数,判断运算终止条件,求解系数α'xt、α'yt;
步骤3.2.1,设ux={uxj|uxj=|<rx(t-1),aj>|,1≤j≤N}、uy={uyj|uyj=|<ry(t-1),aj>|,1≤j≤N},选择ux中Lx个最大值,选择uy中Ly个最大值,若ux中非零元素的个数小于Lx,则选择ux中所有非零元素,若uy中非零元素的个数小于Ly,则选择uy中所有非零元素,将这些最大值对应感知矩阵A中的列序号j构成列序号集合sxk、syk;
其中,aj为感知矩阵A的第j列;j为列数;rx(t-1)为x方向上t-1次迭代的残差;ry(t-1)为y方向上t-1次迭代的残差;uxj为x方向上列序号j的内积;uyj为y方向上列序号j的内积;ux为x方向上的内积;uy为y方向上的内积;
步骤3.2.2,计算原子候选更新集,表达式为:
Cxk=Λx(t-1)∪Sxk,Cyk=Λy(t-1)∪Syk,At={aj}
其中,Cxk为x方向上原子候选更新集;Cyk为y方向上原子候选更新集;At为按Λt选出的aj列向量组成的集合;符号∪表示集合的并运算;Λt为t次迭代的列序号集合;Λx(t-1)为x方向上t-1次迭代的列序号集合;Λy(t-1)为y方向上t-1次迭代的列序号集合;
步骤3.2.3,采用最小二乘法稀疏逼近真实稀疏度,表达式为:
式中,Axt为x方向上按Λt选出的aj列向量组成的集合;Ayt为y方向上按Λt选出的aj列向量组成的集合;αxt为x方向上t次迭代的稀疏矩阵;αyt为y方向上t次迭代的稀疏矩阵;
步骤3.2.4,从中选出绝对值最大的Lx项记为从中选出绝对值最大的Ly项记为对应的Axt中的Lx记为AxtL,对应的Ayt中的Ly记为AytL,对应AxtL的列序号记为ΛxtL,对应AytL的列序号记为ΛytL,记集合F=ΛxtL∪ΛytL;
步骤3.2.5,更新残差,表达式为:
式中,rxt为x方向上的残差;ryt为y方向上的残差;
步骤3.2.6,更新迭代次数,判断运算终止条件:
(1)判断是否满足rxt=0,ryt=0,若不满足则转入(2),若满足则停止;
(2)如果||rxt||2≥||rx(t-1)||2、||ryt||2≥||ry(t-1)||2更新步长Lx=Lx+S、Ly=Ly+S,返回步骤3.2.1继续迭代,其中,S为步长;
(3)如果(1)和(2)的条件均不满足,则Λt=F,t=t+1;
步骤3.3,计算x、y方向上需要稀疏表示的斜率信号gx、gy的稀疏表示信号g'x、g'y,表达式为:
g’x=ψα’xt
g’y=ψα’yt
将稀疏表示信号g'x、g'y使用模式法进行重构,得到波前斜率值;
模式法用泽尼克多项式表示的波前定义为:
式(4)中,Zi(x,y)为各项泽尼克多项式,hi为第i项泽尼克多项式的系数;
用泽尼克多项式对畸变波前拟合,表示为:
G=CH (5)
其中,H为泽尼克多项式的系数向量,C称为波前重构矩阵,G为波前斜率值,即g'x、g'y组成的矩阵;
步骤4,根据Shack-Hartmann波前传感器测量的子孔径平均波前斜率,把泽尼克多项式的系数矩阵H求出来,然后代入公式(4)中,即可重构出波前的相位。
在波前相位的重构中,传统的方法需要测量每一个子孔径的平均斜率,计算量过大,而采用压缩感知技术对畸变波前斜率进行压缩,再利用压缩的数据使用贪婪迭代算法重构出畸变波前斜率,进而重构出相位。采用这一方法,可以大幅度减少数据量,降低数据传输和储存压力。
SAMP算法是对匹配追踪算法(MP)的改进,通过引入分段正交匹配追踪算法(StOMP)中的分段思想将正交匹配追踪算法(OMP)的前向追踪和子空间追踪算法(SP)的后向追踪结合在一起,解决了稀疏度难以预知的问题,信号的真实稀疏度将会通过迭代被逐渐逼近,从而大大增加了适用范围。
图2为自适应光学原理图,如图所示,自适应光学系统主要由三部分组成:波前校正器、波前传感器和波前控制器;其中,波前传感器是自适应光学系统的眼睛,用于实时探测光学系统中存在的静态和动态波前误差;波前控制器是自适应光学系统的大脑,用于实时处理波前传感器输出的波前畸变信号,计算波前误差,从而得到波前校正器上所需施加的电压控制信号;波前校正器是自适应光学系统的执行元件,产生与输入畸变波前共轭的波面,经过校正后的光束接近平面波,最终使成像系统其基本原理是生成相位共轭的波前对畸变波前进行实时相位补偿。
Claims (2)
1.一种基于压缩感知技术的自适应光学系统波前重构的方法,其特征在于,具体按照以下步骤实施:
步骤1,将波前斜率在稀疏字典下进行稀疏表示;
具体过程为:
设gx、gy分别为x、y方向上需要稀疏表示的斜率信号,将斜率信号gx、gy在稀疏字典ψ∈RM ×N下进行稀疏表示为:
gx=ψαx,gy=ψαy (1)
式(1)中,αx∈RM×N,αy∈RM×N分别为x、y方向上的稀疏矩阵,M为对斜率信号观测得到的观测向量的维数,N为斜率信号的维数;
步骤2,采用观测矩阵对波前斜率进行稀疏测量,得到斜率测量值;
斜率测量值的表达式为:
fx=φgx,fy=φgy (2)
式(2)中fx∈RM×N,fy∈RM×N,分别为x、y方向上的斜率测量值;Φ为观测矩阵,其大小为M×N且满足RIP准则,M<<N,M为对斜率信号观测得到的观测向量的维数,N为斜率信号的维数;
将公式(1)与公式(2)结合,得到公式(3),即x、y方向上的斜率测量值为:
fx=φψαx=Aαx,fy=φψαy=Aαy (3)
式(3)中,A=φψ∈RM×N为感知矩阵;
步骤3,通过稀疏度自适应匹配追踪算法重构波前斜率;
具体过程为:
步骤3.1,初始化参数:rx0=gx,ry0=gy,Λx0=φ,Λy0=φ,t=1;
其中,rx0为x方向上的初始残差;ry0为y方向上的初始残差;gx为x方向上需要稀疏表示的斜率信号;gy为y方向上需要稀疏表示的斜率信号;t为迭代次数;
步骤3.2,构建列序号集合sxk、syk,计算原子候选更新集、采用最小二乘法稀疏逼近真实稀疏度、波前重构矩阵,更新残差,更新迭代次数,判断运算终止条件,求解系数α′xt、α′yt;
步骤3.2.1,设ux={uxj|uxj=|<rx(t-1),aj>|,1≤j≤N}、uy={uyj|uyj=|<ry(t-1),aj>|,1≤j≤N},选择ux中Lx个最大值,选择uy中Ly个最大值,若ux中非零元素的个数小于Lx,则选择ux中所有非零元素,若uy中非零元素的个数小于Ly,则选择uy中所有非零元素,将这些最大值对应感知矩阵A中的列序号j构成列序号集合sxk、syk;
其中,aj为感知矩阵A的第j列;j为列数;rx(t-1)为x方向上t-1次迭代的残差;ry(t-1)为y方向上t-1次迭代的残差;uxj为x方向上列序号j的内积;uyj为y方向上列序号j的内积;ux为x方向上的内积;uy为y方向上的内积;
步骤3.2.2,计算原子候选更新集,表达式为:
Cxk=Λx(t-1)∪Sxk,Cyk=Λy(t-1)∪Syk,At={aj}
其中,Cxk为x方向上原子候选更新集;Cyk为y方向上原子候选更新集;At为按Λt选出的aj列向量组成的集合;符号∪表示集合的并运算;Λt为t次迭代的列序号集合;Λx(t-1)为x方向上t-1次迭代的列序号集合;Λy(t-1)为y方向上t-1次迭代的列序号集合;
步骤3.2.3,采用最小二乘法稀疏逼近真实稀疏度,表达式为:
式中,Axt为x方向上按Λt选出的aj列向量组成的集合;Ayt为y方向上按Λt选出的aj列向量组成的集合;αxt为x方向上t次迭代的稀疏矩阵;αyt为y方向上t次迭代的稀疏矩阵;
步骤3.2.4,从中选出绝对值最大的Lx项记为从中选出绝对值最大的Ly项记为对应的Axt中的Lx记为AxtL,对应的Ayt中的Ly记为AytL,对应AxtL的列序号记为ΛxtL,对应AytL的列序号记为ΛytL,记集合F=ΛxtL∪ΛytL;
步骤3.2.5,更新残差,表达式为:
式中,rxt为x方向上的残差;ryt为y方向上的残差;
步骤3.2.6,更新迭代次数,判断运算终止条件:
(1)判断是否满足rxt=0,ryt=0,若不满足则转入(2),若满足则停止;
(2)如果||rxt||2≥||rx(t-1)||2、||ryt||2≥||ry(t-1)||2更新步长Lx=Lx+S、Ly=Ly+S,返回步骤3.2.1继续迭代,其中,S为步长;
(3)如果(1)和(2)的条件均不满足,则Λt=F,t=t+1;
步骤3.3,计算x、y方向上需要稀疏表示的斜率信号gx、gy的稀疏表示信号g′x、g′y,表达式为:
g′x=ψα′xt
g′y=ψα′yt
将稀疏表示信号g′x、g′y使用模式法进行重构,得到波前斜率值;
模式法用泽尼克多项式表示的波前定义为:
式(4)中,Zi(x,y)为各项泽尼克多项式,hi为第i项泽尼克多项式的系数;
用泽尼克多项式对畸变波前拟合,表示为:
G=CH (5)
其中,H为泽尼克多项式的系数向量,C称为波前重构矩阵,G为波前斜率值,即g′x、g′y组成的矩阵;
步骤4,根据波前斜率,计算泽尼克多项式的系数矩阵,重构出波前的相位。
2.根据权利要求1所述的一种基于压缩感知技术的自适应光学系统波前重构的方法,其特征在于,所述步骤4的具体过程为:根据波前斜率,把泽尼克多项式的系数矩阵H求出来,然后代入公式(4)中,即可重构出波前的相位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356137.0A CN113300769B (zh) | 2021-04-01 | 2021-04-01 | 一种基于压缩感知技术的自适应光学系统波前重构的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110356137.0A CN113300769B (zh) | 2021-04-01 | 2021-04-01 | 一种基于压缩感知技术的自适应光学系统波前重构的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113300769A CN113300769A (zh) | 2021-08-24 |
CN113300769B true CN113300769B (zh) | 2022-04-22 |
Family
ID=77319335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110356137.0A Active CN113300769B (zh) | 2021-04-01 | 2021-04-01 | 一种基于压缩感知技术的自适应光学系统波前重构的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113300769B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116105633B (zh) * | 2023-04-17 | 2023-07-07 | 中国科学院长春光学精密机械与物理研究所 | 自由曲面光学镜片检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915931A (zh) * | 2015-04-16 | 2015-09-16 | 南京信息工程大学 | 基于压缩感知理论的自适应光学波前信号去噪方法 |
CN109115350B (zh) * | 2018-09-04 | 2020-04-28 | 太原理工大学 | 一种基于压缩感知的波前探测系统 |
CN109520969B (zh) * | 2018-10-26 | 2021-03-09 | 中国科学院国家空间科学中心 | 一种基于大气介质自调制的分布式散射成像方法 |
-
2021
- 2021-04-01 CN CN202110356137.0A patent/CN113300769B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113300769A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN103901617B (zh) | 一种基于模型的无波前探测自适应光学系统 | |
CN103293663B (zh) | 基于电压解耦控制多波前校正器的自适应光学系统 | |
CN113300769B (zh) | 一种基于压缩感知技术的自适应光学系统波前重构的方法 | |
CN110794577A (zh) | 一种结合自适应光学和图像处理的高分辨力成像系统控制方法 | |
CN105933060B (zh) | 一种基于动力学反馈神经网络的波前重构方法 | |
Saxenhuber et al. | A GRADIENT-BASED METHOD FOR ATMOSPHERIC TOMOGRAPHY. | |
CN106526839A (zh) | 一种基于模式的同步无波前自适应光学系统 | |
CN113225130B (zh) | 一种基于机器学习的大气湍流等效相位屏预测方法 | |
CN109932817A (zh) | 一种自适应光学模拟动态波前校正装置及其校正方法 | |
CN114693938A (zh) | 基于残差注意力网络的波前畸变校正方法 | |
CN117760571B (zh) | 基于哈特曼探测器的无监督学习波前探测方法 | |
Orozco et al. | Refining amortized posterior approximations using gradient-based summary statistics | |
CN115753018A (zh) | 一种动态湍流下畸变涡旋光束超前预测校正方法 | |
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 | |
CN110533599B (zh) | 提高污染气体浓度空间分布二维断层图像重建质量的方法 | |
Ramlau et al. | Subspace Recycling--Based Regularization Methods | |
Yagnyatinskiy et al. | A control algorithm for an adaptive optics system based on the focal spot radius minimization | |
Li et al. | Experimental Study on Wavefront Distortion Correction of 40-Elements Adaptive Optical System Based on SPGD Algorithm | |
Li et al. | A Novel SPGD Algorithm for Wavefront Sensorless Adaptive Optics System | |
CN116400495B (zh) | 一种基于run优化算法的波前校正系统 | |
Ko et al. | Intelligent correction of laser beam propagation through turbulent media using adaptive optics | |
CN113300766B (zh) | 一种基于lqg的自适应畸变波前校正器及其方法 | |
CN114721145B (zh) | 一种用于提高水平激光通信spgd算法校正精度的方法 | |
CN116563117B (zh) | 基于计算成像技术的超分辨率共形窗口成像系统及方法 |
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 |