CN113326653B - 一种基于神经网络的离轴三反光学系统的设计方法 - Google Patents

一种基于神经网络的离轴三反光学系统的设计方法 Download PDF

Info

Publication number
CN113326653B
CN113326653B CN202110534395.3A CN202110534395A CN113326653B CN 113326653 B CN113326653 B CN 113326653B CN 202110534395 A CN202110534395 A CN 202110534395A CN 113326653 B CN113326653 B CN 113326653B
Authority
CN
China
Prior art keywords
axis
mirror
neural network
data
coaxial
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
CN202110534395.3A
Other languages
English (en)
Other versions
CN113326653A (zh
Inventor
黄晚晴
张颖
耿远超
孙喜博
王芳
刘兰琴
王文义
胡东霞
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.)
Laser Fusion Research Center China Academy of Engineering Physics
Original Assignee
Laser Fusion Research Center China Academy of Engineering Physics
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 Laser Fusion Research Center China Academy of Engineering Physics filed Critical Laser Fusion Research Center China Academy of Engineering Physics
Priority to CN202110534395.3A priority Critical patent/CN113326653B/zh
Publication of CN113326653A publication Critical patent/CN113326653A/zh
Application granted granted Critical
Publication of CN113326653B publication Critical patent/CN113326653B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B27/00—Optical systems or apparatus not provided for by any of the groups G02B1/00 - G02B26/00, G02B30/00
    • G02B27/0012—Optical design, e.g. procedures, algorithms, optimisation routines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Lenses (AREA)

Abstract

本发明公开一种基于神经网络的离轴三反光学系统的设计方法，包括：基于用户预先提出的设计要求构建符合该设计要求的四个参数变化范围，基于构建的变化范围中的任意一组作为第一设计要求；基于第一设计要求利用预设解析关系生成第一同轴三反结构数据；基于生成的第一同轴三反结构数据以预设步长通过光线追迹进行逐步离轴得到满足默认边界限制条件的离轴结构和波前参数；重复上述方法得到同轴三反结构数据集和离轴结构参数数据集，基于获取的同轴三反结构数据和离轴结构参数作为数据集训练神经网络；基于训练后的神经网络，输入第二设计要求和第二同轴三反结构数据，选取RMS最接近0的一组离轴结构参数数据作为最佳离轴结构。

Description

一种基于神经网络的离轴三反光学系统的设计方法
技术领域
本发明属于离轴三反光学系统设计技术领域，具体地说涉及一种基于神经网络的离轴三反光学系统的设计方法。
背景技术
离轴三反光学系统，是指由三个反射镜构成的离轴反射式光学成像系统，如图1所示。离轴三反系统是空间相机、遥感成像光谱仪等系统中的核心光学系统，在空间探测、军事国防领域中有着广泛的应用。例如，美国快鸟(QuickBird)卫星上的BHRC 60相机，美国NASA研制的超光谱成像仪(Hyperspectral Spaceborne Imager，HSD)等的光学成像系统均采用了离轴三反设计。
由于离轴、非球面的特点，离轴三反系统可实现宽视场，大孔径、长焦距条件下的无遮拦成像，获得高分辨率、高像质和高的能量利用率，且使用反射镜不产生色差，可用于宽光谱成像，还有利于材料减重和系统轻量化。
但也是由于其离轴、大孔径、宽视场的特点，带来了较大的离轴像差，要在满足设计要求的同时，实现对各类像差的校正，使得系统设计相当复杂。在设计时，系统的多个结构参数互相制约，不能独立变化；结构参数的每一次调整，都影响系统的性能参数(光学参数以及像差)，需要重新追迹大量光线，给出新的性能参数，因此导致设计较为困难且繁琐。
因此，现有技术还有待于进一步发展和改进。
发明内容
针对现有技术的种种不足，为了解决上述问题，现提出一种基于神经网络的离轴三反光学系统的设计方法。本发明提供如下技术方案：
一种基于神经网络的离轴三反光学系统的设计方法，包括：
S1、基于用户预先提出的设计要求构建符合该设计要求的四个参数变化范围，基于构建的变化范围中的任意一组作为第一设计要求[ratio,D,M,L]，其中，四个参数包括用户对系统的扩束比ratio，输入光束口径D，系统后截距M和系统总长度L四个参数；
S2、基于第一设计要求利用预设解析关系生成第一同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]，其中，R1、R2、R3分别为三个反射镜的曲率半径，L1为第一反射镜到第二反射镜的距离，L2为第二反射镜到第三反射镜的距离，K1、K2、K3分别为三个反射镜的二次非球面系数；
S3、基于生成的第一同轴三反结构数据以预设步长通过光线追迹进行逐步离轴得到满足默认边界限制条件的离轴结构和波前参数[h1,h2,h3,RMS]，其中，h1、h2、h3分别为三个反射镜的离轴量，RMS为系统的波前RMS值；
S4、重复S1-S3方法N次得到同轴三反结构数据集和离轴结构参数数据集，基于获取的同轴三反结构数据和离轴结构参数作为数据集训练神经网络；
S5、基于S4中训练后的神经网络，输入第二设计要求和第二同轴三反结构数据，选取RMS最接近0的一组[R1,R2,R3,L1,L2,K1,K2,K3,h1,h2,h3]，即为该设计中的最佳离轴结构。
进一步的，S2中基于第一设计要求利用预设解析关系生成第一同轴三反结构数据的方法包括：
S21、在[1,ratio]之间选择一随机值α1作为第二反射镜对第一反射镜的遮拦比；
S22、α2＝ratio/α1，其中，α2作为第三反射镜对第二反射镜的遮拦比；
S23、F＝M/ratio，F为系统的焦距；
S24、β2＝α1·(1-α2)·F/L，β2为第三反射镜对第二反射镜的放大率；
S25、
Figure GDA0003505075810000021
β1为第二反射镜对第一反射镜的放大率，其中，x代表L2/L1的倍数，为根据用户实际设计需求设定的经验值；
S26、
Figure GDA0003505075810000031
S27、
Figure GDA0003505075810000032
S28、根据下式联立求解得出K1、K2、K3，进而生成一组代表第一同轴三反结构的随机结构参数[R1,R2,R3,L1,L2,K1,K2,K3]；
Figure GDA0003505075810000033
进一步的，S3中基于生成的第一同轴三反结构数据以预设步长通过光线追迹进行逐步离轴得到满足默认边界限制条件的离轴结构和波前参数的方法包括：第一反射镜的离轴量h1从0开始以预定步长增大至上限H，同时移动第二反射镜和第三反射镜，使从第一反射镜反射的中心光线始终位于第二反射镜的中心，从第二反射镜反射的中心光线始终位于第三反射镜的中心，即第二反射镜和第三反射镜跟随第一反射镜进行离轴，记录跟随离轴量h1改变所得到的h2和h3以及波前RMS值。
进一步的，当h1达到允许的上限H之前，且dis1≥Dis1、dis2≥Dis2，则说明获得了一组可用的离轴结构，停止继续增大，标记此时的结果为flag＝1，并记录此时的h1、h2、h3和波前RMS；
当h1达到允许的上限H，且dis1≥Dis1、dis2≥Dis2条件均未满足，则说明未获得可用的离轴结构，标记此时的结果为flag＝0；
重复上述步骤N次，形成N组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的flag数据，M组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的[h1,h2,h3,RMS]，用于训练神经网络，其中，M≤N。
进一步的，基于获取的同轴三反结构数据和离轴结构参数作为数据集训练神经网络的方法包括：将获取的N组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的flag数据输入第一神经网络进行二分类数据训练，将获取的M组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的[h1,h2,h3,RMS]输入第二神经网络进行回归数据训练。
进一步的，通过输入同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]，输出标记flag＝0或flag＝1，训练第一神经网络。
进一步的，通过输入同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]，输出其对应的离轴数据和波前RMS值[h1,h2,h3,RMS]，训练第二神经网络。
进一步的，基于S4中训练后的神经网络，输入第二设计要求和第二同轴三反结构数据的方法包括：将基于设计要求产生的P组同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]输入训练后的第一神经网络中，将输出结果为flag＝1的同轴三反结构数据再输入训练后的第二神经网络中，输出其对应的离轴数据和波前RMS值[h1,h2,h3,RMS]。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种基于神经网络的离轴三反光学系统的设计方法。
一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如一种基于神经网络的离轴三反光学系统的设计方法。
有益效果：
本发明公开了一种离轴三反系统的设计方法，通过解析关系结合光线追迹程序进行生成训练数据集；利用训练数据集，对神经网络进行训练；训练完成的神经网络用于离轴三反光学系统的设计，在使用训练完成的神经网络时，用户只用输入设计要求，神经网络直接输出满足要求的设计结果供用户选择。整个设计过程不需要再进行光线追迹或反复迭代，不需用户进行干预，大大降低了设计难度。
附图说明
图1是典型离轴三反光学系统示意图；
图2是本发明同轴三反系统参数示意图；
图3是本发明离轴三反系统参数示意图。
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。
如图3所示，离轴三反光学系统的一种典型设计场景如下：用户对系统的扩束比ratio，输入光束口径D，系统后截距M，以及系统总长度L这四个参数提出要求。设计人员需设计离轴三反光学系统的结构参数，包括：
三个反射镜的曲率半径：R1、R2、R3；
三个反射镜的二次非球面系数：K1、K2、K3；
反射镜间的距离：第一反射镜到第二反射镜的距离L1，第二反射镜到第三反射镜的距离L2；
三个反射镜的离轴量：h1，h2，h3；
三反光学系统的设计中遵循一些默认的设计边界：第一反射镜的离轴量h1不宜超过H，第一反射镜和第二反射镜的纵向间距dis1，第二反射镜和第三反射镜间的纵向间距dis2不宜小于Dis1和Dis2，具体设计边界的数值可由用户依据自己的需求确定，或由具体的应用场景确定。
一种基于神经网络的离轴三反光学系统的设计方法，包括：
S1、基于用户预先提出的设计要求构建符合该设计要求的四个参数变化范围，基于构建的变化范围中的任意一组作为第一设计要求[ratio,D,M,L]，其中，四个参数包括用户对系统的扩束比ratio，输入光束口径D，系统后截距M和系统总长度L四个参数；
S2、基于第一设计要求利用预设解析关系生成第一同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]，如图2所示，其中，R1、R2、R3分别为三个反射镜的曲率半径，L1为第一反射镜到第二反射镜的距离，L2为第二反射镜到第三反射镜的距离，K1、K2、K3分别为三个反射镜的二次非球面系数；
进一步的，S2中基于第一设计要求利用预设解析关系生成第一同轴三反结构数据的方法包括：
S21、在[1,ratio]之间选择一随机值α1作为第二反射镜对第一反射镜的遮拦比；
S22、α2＝ratio/α1，其中，α2为第三反射镜对第二反射镜的遮拦比；
S23、F＝M/ratio，F为系统的焦距；
S24、β2＝α1·(1-α2)·F/L，β2为第三反射镜对第二反射镜的放大率；
S25、
Figure GDA0003505075810000071
β1为第二反射镜对第一反射镜的放大率，其中，x代表L2/L1的倍数，为根据用户实际设计需求设定的经验值；
S26、
Figure GDA0003505075810000072
S27、
Figure GDA0003505075810000073
S28、根据下式联立求解得出K1、K2、K3，进而生成一组代表第一同轴三反结构的随机结构参数[R1,R2,R3,L1,L2,K1,K2,K3]；
Figure GDA0003505075810000074
S3、基于生成的第一同轴三反结构数据以预设步长通过光线追迹进行逐步离轴得到满足默认边界限制条件的离轴结构和波前参数[h1,h2,h3,RMS]，如图3所示，其中，h1、h2、h3分别为三个反射镜的离轴量，RMS为系统的波前RMS值；
进一步的，S3中基于生成的第一同轴三反结构数据以预设步长通过光线追迹进行逐步离轴得到满足默认边界限制条件的离轴结构和波前参数的方法包括：第一反射镜的离轴量h1从0开始以预定步长增大至上限H，同时移动第二反射镜和第三反射镜，使从第一反射镜反射的中心光线始终位于第二反射镜的中心，从第二反射镜反射的中心光线始终位于第三反射镜的中心，即第二反射镜和第三反射镜跟随第一反射镜进行离轴，记录跟随离轴量h1改变所得到的h2和h3以及波前RMS值。
进一步的，当h1达到允许的上限H之前，且dis1≥Dis1、dis2≥Dis2，则说明获得了一组可用的离轴结构，停止继续增大，标记此时的结果为flag＝1，并记录此时的h1、h2、h3和波前RMS；
当h1达到允许的上限H，且dis1≥Dis1、dis2≥Dis2条件均未满足，则说明未获得可用的离轴结构，标记此时的结果为flag＝0；
重复上述步骤N次，形成N组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的flag数据，M组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的[h1,h2,h3,RMS]，用于训练神经网络，其中，M≤N，因为在N组[R1,R2,R3,L1,L2,K1,K2,K3]中，可能存在不可用的离轴结构，而不可用的离轴结构不存在对应的[h1,h2,h3,RMS]。
S4、重复S1-S3方法N次得到同轴三反结构数据集和离轴结构参数数据集，基于获取的同轴三反结构数据和离轴结构参数作为数据集训练神经网络；
S5、基于S4中训练后的神经网络，输入第二设计要求和第二同轴三反结构数据，选取RMS最接近0的一组[R1,R2,R3,L1,L2,K1,K2,K3,h1,h2,h3]，即为该设计中的最佳离轴结构。
进一步的，基于获取的同轴三反结构数据和离轴结构参数作为数据集训练神经网络的方法包括：将获取的N组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的flag数据输入第一神经网络进行二分类数据训练，将获取的M组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的[h1,h2,h3,RMS]输入第二神经网络进行回归数据训练。
进一步的，通过输入同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]，输出标记flag＝0或flag＝1，训练第一神经网络。这是一个典型的二分类问题，即一个输入对应0或1的输出。因此，训练的网络和方法可采用任意适用二分类问题的网络和方法，设计人员可通过网络训练的效果，自行调节网络的结构和参数，直至网络的预测精度满足需求。
进一步的，通过输入同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]，输出其对应的离轴数据和波前RMS值[h1,h2,h3,RMS]，训练第二神经网络。输入的同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]为经过第一神经网络优化后的数据集，即flag＝1的同轴三反结构数据集，这是一个典型的回归问题，即用神经网络拟合未知的输入输出的非线性关系。因此，训练的网络和方法可采用任意适用回归问题的网络和方法，设计人员可通过网络训练的效果，自行调节网络的结构和参数，直至网络的预测精度满足需求。
进一步的，基于S4中训练后的神经网络，输入第二设计要求和第二同轴三反结构数据的方法包括：将基于设计要求产生的P组同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]输入训练后的第一神经网络中，将输出结果为flag＝1的同轴三反结构数据再输入训练后的第二神经网络中，输出其对应的离轴数据和波前RMS值[h1,h2,h3,RMS]。在输出的[h1,h2,h3,RMS]中，选择其中RMS最接近0的一组，其对应的[R1,R2,R3,L1,L2,K1,K2,K3,h1,h2,h3]即为该次设计中最佳的离轴结构，从而完成离轴三反光学系统的设计。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种基于神经网络的离轴三反光学系统的设计方法。
一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如一种基于神经网络的离轴三反光学系统的设计方法。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
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)

1.一种基于神经网络的离轴三反光学系统的设计方法，其特征在于，包括：
S1、基于用户预先提出的设计要求构建符合该设计要求的四个参数变化范围，基于构建的变化范围中的任意一组作为第一设计要求[ratio,D,M,L]，其中，四个参数包括用户对系统的扩束比ratio，输入光束口径D，系统后截距M和系统总长度L四个参数；
S2、基于第一设计要求利用预设解析关系生成第一同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]，其中，R1、R2、R3分别为三个反射镜的曲率半径，L1为第一反射镜到第二反射镜的距离，L2为第二反射镜到第三反射镜的距离，K1、K2、K3分别为三个反射镜的二次非球面系数；
S3、基于生成的第一同轴三反结构数据以预设步长通过光线追迹进行逐步离轴得到满足默认边界限制条件的离轴结构和波前参数[h1,h2,h3,RMS]，其中，h1、h2、h3分别为三个反射镜的离轴量，RMS为系统的波前RMS值；
S4、重复S1-S3方法N次得到同轴三反结构数据集和离轴结构参数数据集，基于获取的同轴三反结构数据和离轴结构参数作为数据集训练神经网络；
S5、基于S4中训练后的神经网络，输入第二设计要求和第二同轴三反结构数据，选取RMS最接近0的一组[R1,R2,R3,L1,L2,K1,K2,K3,h1,h2,h3]，即为该设计中的最佳离轴结构。
2.根据权利要求1所述的一种基于神经网络的离轴三反光学系统的设计方法，其特征在于，S2中基于第一设计要求利用预设解析关系生成第一同轴三反结构数据的方法包括：
S21、在[1,ratio]之间选择一随机值α1作为第二反射镜对第一反射镜的遮拦比；
S22、α2＝ratio/α1，其中，α2为第三反射镜对第二反射镜的遮拦比；
S23、F＝M/ratio，F为系统的焦距；
S24、β2＝α1·(1-α2)·F/L，β2为第三反射镜对第二反射镜的放大率；
S25、
Figure FDA0003505075800000021
β1为第二反射镜对第一反射镜的放大率，其中，x代表L2/L1的倍数，为经验值；
S26、
Figure FDA0003505075800000022
S27、
Figure FDA0003505075800000023
S28、根据下式联立求解得出K1、K2、K3，进而生成一组代表第一同轴三反结构的随机结构参数[R1,R2,R3,L1,L2,K1,K2,K3]；
Figure FDA0003505075800000024
Figure FDA0003505075800000025
Figure FDA0003505075800000026
3.根据权利要求1所述的一种基于神经网络的离轴三反光学系统的设计方法，其特征在于，S3中基于生成的第一同轴三反结构数据以预设步长通过光线追迹进行逐步离轴得到满足默认边界限制条件的离轴结构和波前参数的方法包括：第一反射镜的离轴量h1从0开始以预定步长增大至上限H，同时移动第二反射镜和第三反射镜，使从第一反射镜反射的中心光线始终位于第二反射镜的中心，从第二反射镜反射的中心光线始终位于第三反射镜的中心，即第二反射镜和第三反射镜跟随第一反射镜进行离轴，记录跟随离轴量h1改变所得到的h2和h3以及波前RMS值。
4.根据权利要求3所述的一种基于神经网络的离轴三反光学系统的设计方法，其特征在于，
当h1达到允许的上限H之前，且dis1≥Dis1、dis2≥Dis2，则说明获得了一组可用的离轴结构，停止继续增大，标记此时的结果为flag＝1，并记录此时的h1、h2、h3和波前RMS；
当h1达到允许的上限H，且dis1≥Dis1、dis2≥Dis2条件均未满足，则说明未获得可用的离轴结构，标记此时的结果为flag＝0；
重复上述步骤N次，形成N组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的flag数据，M组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的[h1,h2,h3,RMS]，用于训练神经网络，其中，M≤N。
5.根据权利要求1所述的一种基于神经网络的离轴三反光学系统的设计方法，其特征在于，基于获取的同轴三反结构数据和离轴结构参数作为数据集训练神经网络的方法包括：将获取的N组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的flag数据输入第一神经网络进行二分类数据训练，将获取的M组[R1,R2,R3,L1,L2,K1,K2,K3]和对应的[h1,h2,h3,RMS]输入第二神经网络进行回归数据训练。
6.根据权利要求5所述的一种基于神经网络的离轴三反光学系统的设计方法，其特征在于，通过输入同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]，输出标记flag＝0或flag＝1，训练第一神经网络。
7.根据权利要求5所述的一种基于神经网络的离轴三反光学系统的设计方法，其特征在于，通过输入同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]，输出其对应的离轴数据和波前RMS值[h1,h2,h3,RMS]，训练第二神经网络。
8.根据权利要求5所述的一种基于神经网络的离轴三反光学系统的设计方法，其特征在于，基于S4中训练后的神经网络，输入第二设计要求和第二同轴三反结构数据的方法包括：将基于设计要求产生的P组同轴三反结构数据[R1,R2,R3,L1,L2,K1,K2,K3]输入训练后的第一神经网络中，将输出结果为flag＝1的同轴三反结构数据再输入训练后的第二神经网络中，输出其对应的离轴数据和波前RMS值[h1,h2,h3,RMS]。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1至8中任一项所述的方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至8中任一项所述的方法。
CN202110534395.3A 2021-05-17 2021-05-17 一种基于神经网络的离轴三反光学系统的设计方法 Active CN113326653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110534395.3A CN113326653B (zh) 2021-05-17 2021-05-17 一种基于神经网络的离轴三反光学系统的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110534395.3A CN113326653B (zh) 2021-05-17 2021-05-17 一种基于神经网络的离轴三反光学系统的设计方法

Publications (2)

Publication Number Publication Date
CN113326653A CN113326653A (zh) 2021-08-31
CN113326653B true CN113326653B (zh) 2022-03-29

Family

ID=77415669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110534395.3A Active CN113326653B (zh) 2021-05-17 2021-05-17 一种基于神经网络的离轴三反光学系统的设计方法

Country Status (1)

Country Link
CN (1) CN113326653B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115016119B (zh) * 2022-07-26 2023-02-03 东北大学 基于改进w-w方程的离轴三反自由曲面系统设计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106168712A (zh) * 2016-09-06 2016-11-30 山东理工大学 一种高斯光束变换为平顶光束整形透镜的粒子群设计方法
CN109325464A (zh) * 2018-10-16 2019-02-12 上海翎腾智能科技有限公司 一种基于人工智能的手指点读文字识别方法及翻译方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188321B (zh) * 2019-05-22 2022-07-19 中国科学院光电技术研究所 一种基于神经网络算法的主次镜校准方法
CN110161682B (zh) * 2019-05-31 2020-08-11 北京理工大学 一种自由曲面离轴反射系统初始结构生成方法
CN112180583B (zh) * 2020-10-30 2022-07-01 中国工程物理研究院激光聚变研究中心 一种基于全光神经网络的自适应光学系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106168712A (zh) * 2016-09-06 2016-11-30 山东理工大学 一种高斯光束变换为平顶光束整形透镜的粒子群设计方法
CN109325464A (zh) * 2018-10-16 2019-02-12 上海翎腾智能科技有限公司 一种基于人工智能的手指点读文字识别方法及翻译方法

Also Published As

Publication number Publication date
CN113326653A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
US10255388B2 (en) Method for designing off-axial optical system with freeform surface
CN108152948B (zh) 离轴非球面光学系统的设计方法
CN110031957B (zh) 自由曲面离轴三反成像系统
CN110927964B (zh) 用于离轴自由曲面成像光学系统中自由曲面的设计方法
CN110031969B (zh) 自由曲面离轴成像系统的设计方法
US10210289B2 (en) Method for designing three-dimensional freeform surface to be used in design of the reflective mirrors
CN107219626B (zh) 结合面形和视场优化策略的自由曲面光学系统优化方法
US11386246B2 (en) Method for designing hybrid surface optical system
US10642010B2 (en) Off-axis hybrid surface three-mirror optical system
CN113326653B (zh) 一种基于神经网络的离轴三反光学系统的设计方法
JPH0572477A (ja) アフオ−カル光学装置
CN111487766B (zh) 自由曲面离轴三反成像系统的设计方法
CN204758926U (zh) 一种扩束准直光学系统
CN110764257A (zh) 光学系统初始结构生成方法
US11025841B2 (en) Method for designing a freeform surface reflective imaging system
CN113900249B (zh) 基于粒子群算法的同轴反射式光学系统初始结构求解方法
CN114693938A (zh) 基于残差注意力网络的波前畸变校正方法
TWI778526B (zh) 自由曲面凹面光柵成像光譜儀的設計方法
CN109946829B (zh) 变焦稳像一体化成像系统中变形镜变焦面形设计方法
CN113126270A (zh) 自由曲面离轴三反成像系统
CN116149050A (zh) 超大视场离轴反射式自由曲面光学系统初始结构设计方法
Ning et al. Freeform surface graded optimization of deformable mirrors in integrated zoom and image stabilization system through vectorial ray tracing and image point freezing method
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
CN111025613A (zh) 基于自由曲面基底相位元件的离轴三反成像系统
CN115079391B (zh) 离轴反射系统和小f数多反离轴系统的设计方法

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