CN115333621A - 一种分布式框架下融合时空特征的光斑质心预测方法 - Google Patents

一种分布式框架下融合时空特征的光斑质心预测方法 Download PDF

Info

Publication number
CN115333621A
CN115333621A CN202210958112.2A CN202210958112A CN115333621A CN 115333621 A CN115333621 A CN 115333621A CN 202210958112 A CN202210958112 A CN 202210958112A CN 115333621 A CN115333621 A CN 115333621A
Authority
CN
China
Prior art keywords
field intensity
light field
light
centroid
light spot
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.)
Granted
Application number
CN202210958112.2A
Other languages
English (en)
Other versions
CN115333621B (zh
Inventor
于海洋
陈纯毅
胡小娟
杨华民
蒋振刚
倪小龙
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.)
Changchun University of Science and Technology
Original Assignee
Changchun University of Science and Technology
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 Changchun University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN202210958112.2A priority Critical patent/CN115333621B/zh
Publication of CN115333621A publication Critical patent/CN115333621A/zh
Application granted granted Critical
Publication of CN115333621B publication Critical patent/CN115333621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • H04B10/60—Receivers
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Optical Communication System (AREA)

Abstract

本发明涉及一种分布式框架下融合时空特征的光斑质心预测方法，属于大气信道光信号传输领域。采集光斑信息形成光场强度样本集合，建立分布式框架，形成了包括映射模块和规约模块的光场强度样本处理模型，在映射模块中，利用特征提取方法提取了时间维度特征和空间维度特征，采用数据驱动的建模思想，构建了基于极限学习机的神经网络，形成关于时空特征和目标光斑质心的光参数映射模型；在规约模块中通过加权平均方法，实现光斑质心预测。本发明充分考虑了大数据环境下的光场强度样本信息，通过分布式处理和数据驱动，解决了光斑质心预测方法中物理驱动方式造成的计算困难的瓶颈，为构建不同湍流强度下的光斑质心预测提供了解决方案。

Description

一种分布式框架下融合时空特征的光斑质心预测方法
技术领域
本发明属于大气信道光信号传输技术领域，具体涉及一种分布式框架下融合时空特征的光斑质心预测方法。
背景技术
光斑质心是一个重要的物理量，能够表征光轴偏转程度，确定到达角起伏等参数，是光信息传输的关键要素。在空间光通信系统中，光束不可避免的会受到大气湍流的影像，对接收光斑的形状和能量分布形式产生影响，限制了空间光通信系统的通信能力。在实际光通信系统中，如何对光斑质心进行预测，有助于形成描述大气湍流的可靠模型，从而有效抑制大气湍流扰动现象，提高空间光通信系统的抗干扰能力。
通过相位屏序列能模拟大气湍流变化，得到每个相位屏中光场强度分布状态，然后利用时间序列等方式形成对光斑质心的估计。然而这种方式在计算模型中单纯依靠线性回归，无法获取光场强度样本的空间特性。在实际工程中，由于架构物理条件的苛刻，难以在空间中每个位置都放置接收装置，进行相位屏实时获取。因此，形成分布式框架下融合时空特征的光斑质心预测方法，对实际光通信系统的设计与控制具有重要意义。
已授权的《一种基于灰度阈值的激光光斑质心提取方法》专利(202110971316.5)根据激光光斑灰度图的灰度分布特征计算区分背景和光斑区域的阈值，并使用灰度重心法和高斯拟合法得到了质心坐标。已授权的《一种光斑质心提取精度的测量装置及测量方法》(201610561943.0)产生远距离高频小幅度光源位移，并由光斑质心提取系统进行探测，抑制测量平台抖动的干扰。但是这两种方法难以保证从大数据中以非线性的方式进行特征提取，无法将结果向同类型的光斑进行泛化。
已授权的《一种基于点噪声分布拓扑特性的信标光优化识别降噪方法》专利(201010611190.2)提出了一种信标光优化识别降噪方法，解决了现有的信标光优化识别降噪方法由于计算量大导致实时性较差的问题。已授权的《一种基于哈特曼波前传感器的波前测量方法》专利(201210198965.7)针对光斑阵列图像，获得每个光斑的强度分布信息和相对于标定时的质心位置偏移量，将原本困扰光斑质心计算的光斑弥散分布信息加以利用，获得子孔径内子波前更多的信息量。但是这些方法依赖于设备条件，并没有考虑光斑在时域内的随机变化。
已公开的《一种用于空间超远距星间激光链路建立的高精度光斑质心定位算法及其识别方法》专利(202111551246.4)根据远端卫星捕获的微弱激光光斑图像的特征，对作为质心计算参考的最强光强点和光斑图像截取区域依次进行优化设计，减少了光斑质心计算误差。已授权的《一种星载激光通信机的在轨自标校装置及其标校方法》专利(202210141497.3)通过角锥反射到接收光路对光功率进行探测和跟瞄光路对光斑质心位置进行探测和补偿，从而实现接收光路、发射光路与跟瞄光路的同轴自标较。已授权的《一种消除由于串扰引起光斑质心偏移的方法》专利(201210288531.6)利用串扰矩阵来表征多像素光斑质心探测器的串扰特性，将多像素光斑质心探测器输出的受串扰影响的光强阵列信号左乘上串扰矩阵的逆矩阵，从而得到解串扰后光强分布信号，再利用解串扰后光强分布信号计算得到光斑质心。但是这些方法只是针对当前光斑质心进行检测，或者基本上分析了质心的偏移，没有关注质心变化趋势，无法对未知光斑的光场强度样本质心进行预测，难以适用于数量增长的样本集合。
已授权的《一种深度学习分布式框架用的数据交换方法与装置》专利(201811130223.4)能够在不同计算单元或不同类型的计算单元之间按照需要交换数据，在保证数据交换时限的前提下充分利用缓存，提高数据通信性能和效率，使云计算环境下大规模数据训练的性能表现最大化。已公开的《一种面向知识图谱表示学习的分布式框架构建方法》专利(202010023555.3)按照每个计算群组的计算能力进行置乱切分并且分配到各个计算群组中，采用自适应的方法，各个计算节点根据每一轮的随机采样结果，自动在相关的计算节点上完成所需表示模型向量的收集。可见分布式框架能够有效适应大数据环境，处理光场强度集合等非结构化数据。
研究分布式框架下融合时空特征的光斑质心预测方法，能够有效地进行光学参数的估计，对提升光学信息的准确性，有效抑制不利的影响，对光通信系统的设计有很好的应用价值。
发明内容
本发明提出一种分布式框架下融合时空特征的光斑质心预测方法，充分考虑了大数据环境下的光场强度样本信息，通过分布式处理和数据驱动，解决了光斑质心预测方法中物理驱动方式造成的计算困难的瓶颈，为构建不同湍流强度下的光斑质心预测提供了解决方案。
本发明采取的技术方案是，包括下列步骤：
(1)设计了大气湍流光通信系统，建立了分布式框架，包括映射模块和规约模块。采集大气湍流光通信系统接收端的光斑信息，存储到光场强度样本分布式存储单元，形成光场强度样本集合DI，形成了光场强度样本处理模型，实现了对光场强度样本的分析和计算；
(2)对光场强度样本集合DI进行特征提取，得到时间维度特征TCD和空间维度特征SCD，形成时空特征TSCD；
(3)在分布式框架的映射模块中，划分为T组映射任务。采用数据驱动的建模思想，构建了基于极限学习机的神经网络，在每组映射任务中，形成关于时空特征TSCD,t,n和目标光斑质心Ot的光参数映射模型，通过对光参数映射模型的优化，确定了光参数映射模型中的输出层权重βt，并进一步得到新的光斑质心O′t；
(4)在分布式框架的规约模块中，基于分布式框架下的处理策略，对不同的光场强度样本集合进行处理，在映射模块中划分多组映射任务，进行特征提取和映射模型求解；在规约模块中，通过加权平均方法，得到光斑质心预测结果O″。
本发明所述步骤(1)中，对光通信系统和分布式框架进行说明如下：
大气湍流光通信系统包括激光发射器、大气湍流信道、光学接收子系统、光电探测器、计算机终端。计算机终端通过信号采集卡得到测量的接收数据；
分布式框架包括光场强度样本分布式存储单元、分布式服务器、分布式交互终端、光场强度样本处理模型，其中，光场强度样本分布式存储单元保存了光场强度样本，并通过数据接口、分布式服务器和数据通信协议与分布式交互客户端进行交互和通信，完成数据的存储和管理；
计算机终端加载了处理软件和人机交互界面，通过函数调用实现了光场接收图像的存储和处理，通过对不同时刻的光场接收图像进行存储，经过一段时间累计，根据接收数据中目标物体和背景的差异，得到光场强度样本集合
Figure BDA0003792105530000031
其中，S表示光场强度样本集合中光斑样本ds的个数，s表示光场强度样本集合中光斑样本ds的标签。
本发明所述步骤(2)中，所述特征提取方法如下：
计算光斑样本ds对应所有像素坐标(i,j)的像素值，从而确定了光斑质心坐标
Figure BDA0003792105530000032
表达式如下：
Figure BDA0003792105530000033
Figure BDA0003792105530000034
其中，
Figure BDA0003792105530000035
和
Figure BDA0003792105530000036
分别为光斑质心的横坐标和纵坐标，在光场强度样本集合DI中选取历史时间片段的K个光斑样本，组成光场强度样本序列DK，分别计算采样的光斑质心序列横坐标集合XK和采样的光斑质心序列纵坐标集合YK，形成时间维度特征TCD＝(XK,YK)；
进一步将每一个光场强度样本展开为向量形式，得到光场强度样本矩阵DK，对DK中的每一个光场强度值进行标准化处理后，得到光场强度标准化样本矩阵D′K，计算对应协方差矩阵的光场强度特征值
Figure BDA0003792105530000041
和光场强度特征向量
Figure BDA0003792105530000042
当所选定光场强度特征值贡献度大于阈值θ时，确定空间维度特征个数NSC；
Figure BDA0003792105530000043
其中，k表示NSC范围内光场强度特征值编号，对应的光场强度特征向量集合组成了空间维度特征
Figure BDA0003792105530000044
时间维度特征TCD和空间维度特征SCD组成光场强度时空特征TSCD，表达式为：
Figure BDA0003792105530000045
本发明所述步骤(3)中，所述光参数映射模型建立如下：
在映射模块中，划分为T组映射任务，每组映射任务中输入T个时间段的光强样本集合，即
Figure BDA0003792105530000046
采用数据驱动的建模思想，构建了基于极限学习机的神经网络。神经网络的结构包括3层，分别为输入层、隐层和输出层，输入层为N个节点，隐层为L个节点，输出层为1个节点，然后，由时空特征TSCD,t和目标光斑质心坐标
Figure BDA0003792105530000047
组成的样本数据
Figure BDA0003792105530000048
形成光参数映射模型；
Figure BDA0003792105530000049
Figure BDA00037921055300000410
其中，at＝[at,1,at,2,...,at,L]T、a′t＝[a′t,1,a′t,2,...,a′t,L]T为输入层权重，bt＝[bt,1,bt,2,...,bt,L]T和b′t＝[b′t,1,b′t,2,...,b′t,L]T为输入层偏置，βt＝[βt,1,βt,2,...,βt,L]T和β′t＝[β′t,1,β′t,2,...,β′t,L]T为输出层权重，TSCD,t,n代表TSCD,t的第n组时空特征样本，Ot,n代表Ot的第n组光斑质心样本，
Figure BDA00037921055300000411
为激活函数。选取Sigmoid函数，具体表达式为：
Figure BDA00037921055300000412
Figure BDA0003792105530000051
整个映射函数满足连续的条件，可以有效的求取极点处的导数，隐层随机矩阵表示为：
Figure BDA0003792105530000052
Figure BDA0003792105530000053
其中，TSCD,t,1代表TSCD,t的第1组时空特征样本，TSCD,t,N代表TSCD,t的第N组时空特征样本；
在模型优化阶段，计算输出层权重βt、β′t，由于输入层、隐层和输出层具有关联性，从而实现对光参数映射模型的整体优化，输出层权重βt、β′t的计算方法为：
Figure BDA0003792105530000054
Figure BDA0003792105530000055
其中，
Figure BDA0003792105530000056
为Ht、H′t的M-P广义逆，可以表示为：
Figure BDA0003792105530000057
Figure BDA0003792105530000058
于是，可以得到每个时间段对应光参数映射模型的目标光斑质心横坐标
Figure BDA0003792105530000059
和纵坐标
Figure BDA00037921055300000510
预测结果为：
Figure BDA00037921055300000511
Figure BDA00037921055300000512
其中，Ht′、H′t′表示目标光斑样本对应的隐层随机矩阵，光参数映射模型的目标光斑质心为
Figure BDA00037921055300000513
本发明所述步骤(4)中，所述分布式框架规约模块说明如下：
在规约模块中，对T组映射任务得到的结果进行规约处理，考虑每一组任务中光强样本数目Nt，确定规约模块的权重Wt为：
Wt＝1/Nt··························(17)
通过加权平均方法，得到光斑质心预测结果，表达式为：
Figure BDA0003792105530000061
Figure BDA0003792105530000062
得到光斑质心预测结果，光参数映射模型的目标光斑质心为O″＝(X″O,Y″O)。
本发明通过光通信系统，接收不同大气湍流条件下光束在接收端的光斑信息，形成光场强度样本集合。建立了分布式框架，形成了包括映射模块和规约模块的光场强度样本处理模型，实现了对光场强度样本的存储和计算。在映射模块中，利用特征提取方法提取了时间维度特征和空间维度特征，采用数据驱动的建模思想，构建了基于极限学习机的神经网络，形成关于时空特征和目标光斑质心的光参数映射模型。在规约模块中，进一步通过加权平均方法，实现光斑质心预测。
本发明的有益效果是：
(1)本发明构建了分布式框架，有效实现了光场强度样本的存储和分布式处理，具有较好的泛化能力，适用于数量增长的样本集合，对光通信系统的设计有很好的应用价值。
(2)考虑了接收光斑的时空特性，光场强度样本集合进行特征提取，通过主成分分析实现了时空特性的融合。
(3)采用了数据驱动的思想，构建了光参数映射模型，确定了模型中的输出层权重，进而得到光斑质心预测值的解析表达，突破了物理模型造成的计算困难的瓶颈。
附图说明
图1是本发明大气湍流光通信系统示意图；
图2是本发明分布式框架示意图；
图3是本发明神经网络示意图；
图4是本发明分布式框架下处理流程图；
图5是本发明光斑质心计算结果图。
具体实施方式
包括下列步骤：
(1)设计了大气湍流光通信系统，建立了分布式框架，包括映射模块和规约模块。采集大气湍流光通信系统接收端的光斑信息，存储到光场强度样本分布式存储单元，形成光场强度样本集合DI，形成了光场强度样本处理模型，实现了对光场强度样本的分析和计算；
(2)对光场强度样本集合DI进行特征提取，得到时间维度特征TCD和空间维度特征SCD，形成时空特征TSCD；
(3)在分布式框架的映射模块中，划分为T组映射任务，采用数据驱动的建模思想，构建了基于极限学习机的神经网络，在每组映射任务中，形成关于时空特征TSCD,t,n和目标光斑质心Ot的光参数映射模型，通过对光参数映射模型的优化，确定了光参数映射模型中的输出层权重βt，并进一步得到新的光斑质心O′t；
(4)在分布式框架的规约模块中，基于分布式框架下的处理策略，对不同的光场强度样本集合进行处理，在映射模块中划分多组映射任务，进行特征提取和映射模型求解；在规约模块中，通过加权平均方法，得到光斑质心预测结果O″。
下面结合附图进行具体说明：
1、搭建大气湍流光通信系统，建立了分布式框架。
大气湍流光通信系统具体形式如图1所示，大气湍流光通信系统包括激光发射器、大气湍流信道、光学接收子系统、光电探测器、计算机终端。计算机终端通过信号采集卡得到测量的接收数据。
分布式框架具体形式如图2所示，包括光场强度样本分布式存储单元、分布式服务器、分布式交互终端、光场强度样本处理模型。其中，光场强度样本分布式存储单元保存了光场强度样本，并通过数据接口、分布式服务器和数据通信协议与分布式交互客户端进行交互和通信，完成数据的存储和管理。
计算机终端加载了处理软件和人机交互界面，通过函数调用实现了光场接收图像的存储和处理。通过对不同时刻的光场接收图像进行存储，经过一段时间累计，根据接收数据中目标物体和背景的差异，得到光场强度样本集合
Figure BDA0003792105530000071
其中，S表示光场强度样本集合中光斑样本ds的个数，s表示光场强度样本集合中光斑样本ds的标签。
2、实现时空特征提取。
计算光斑样本ds对应所有像素坐标(i,j)的像素值，从而确定了光斑质心坐标
Figure BDA0003792105530000072
表达式如下：
Figure BDA0003792105530000073
Figure BDA0003792105530000081
其中，
Figure BDA0003792105530000082
和
Figure BDA0003792105530000083
分别为光斑质心的横坐标和纵坐标，在光场强度样本集合DI中选取历史时间片段的K个光斑样本，组成光场强度样本序列DK，分别计算采样的光斑质心序列横坐标集合XK和采样的光斑质心序列纵坐标集合YK，形成时间维度特征TCD＝(XK,YK)；
进一步将每一个光场强度样本展开为向量形式，得到光场强度样本矩阵DK。对DK中的每一个光场强度值进行标准化处理后，得到光场强度标准化样本矩阵D′K，计算对应协方差矩阵的光场强度特征值
Figure BDA0003792105530000084
和光场强度特征向量
Figure BDA0003792105530000085
当所选定光场强度特征值贡献度大于阈值θ时，确定空间维度特征个数NSC
Figure BDA0003792105530000086
其中，k表示NSC范围内光场强度特征值编号，对应的光场强度特征向量集合组成了空间维度特征
Figure BDA0003792105530000087
时间维度特征TCD和空间维度特征SCD组成光场强度时空特征TSCD，表达式为
Figure BDA0003792105530000088
3、建立光参数映射模型，确定模型中的输出层权重。
在映射模块中，划分为T组映射任务，每组映射任务中输入T个时间段的光强样本集合，即
Figure BDA0003792105530000089
采用数据驱动的建模思想，构建了基于极限学习机的神经网络。神经网络的结构如图3所示，包括3层，分别为输入层、隐层和输出层。输入层为N个节点，隐层为L个节点，输出层为1个节点。然后，由时空特征TSCD,t和目标光斑质心坐标
Figure BDA00037921055300000810
组成的样本数据
Figure BDA00037921055300000811
形成光参数映射模型：
Figure BDA00037921055300000812
Figure BDA00037921055300000813
其中，at＝[at,1,at,2,...,at,L]T、a′t＝[a′t,1,a′t,2,...,a′t,L]T为输入层权重，bt＝[bt,1,bt,2,...,bt,L]T和b′t＝[b′t,1,b′t,2,...,b′t，L]T为输入层偏置，βt＝[βt,1,βt,2,...,βt,L]T和β′t＝[β′t,1,β′t,2,...,β′t,L]T为输出层权重，TSCD,t,n代表TSCD,t的第n组时空特征样本，Ot,n代表Ot的第n组光斑质心样本，
Figure BDA0003792105530000091
为激活函数。选取Sigmoid函数，具体表达式为：
Figure BDA0003792105530000092
Figure BDA0003792105530000093
整个映射函数满足连续的条件，可以有效的求取极点处的导数，隐层随机矩阵表示为：
Figure BDA0003792105530000094
Figure BDA0003792105530000095
其中，TSCD,t,1代表TSCD,t的第1组时空特征样本，TSCD,t,N代表TSCD,t的第N组时空特征样本；
在模型优化阶段，计算输出层权重βt、β′t，由于输入层、隐层和输出层具有关联性，从而实现对光参数映射模型的整体优化，输出层权重βt、β′t的计算方法为：
Figure BDA0003792105530000096
Figure BDA0003792105530000097
其中，
Figure BDA0003792105530000098
为Ht、H′t的M-P广义逆，可以表示为：
Figure BDA0003792105530000099
Figure BDA00037921055300000910
于是，可以得到每个时间段对应光参数映射模型的目标光斑质心横坐标
Figure BDA00037921055300000911
和纵坐标
Figure BDA00037921055300000912
预测结果为：
Figure BDA00037921055300000913
Figure BDA00037921055300000914
其中，Ht′、H′t′表示目标光斑样本对应的隐层随机矩阵，光参数映射模型的目标光斑质心为
Figure BDA00037921055300000915
4、利用规约模型，得到光斑质心预测结果；
在规约模块中，对T组映射任务得到的结果进行规约处理。考虑每一组任务中光强样本数目Nt，确定规约模块的权重Wt为：
Wt＝1/Nt·······················(17)
通过加权平均方法，得到光斑质心预测结果，表达式为：
Figure BDA0003792105530000101
Figure BDA0003792105530000102
整个分布式框架处理流程如图4所示，得到光斑质心预测结果，光参数映射模型的目标光斑质心为O″＝(X″O,Y″O)。
现结合具体案例进一步说明本发明，得到光斑质心计算结果如图5所示。进行特征提取和光参数映射模型求解后，得到光斑质心坐标预测结果为O″＝(12.5，14.4)，从而实现光斑质心预测。

Claims (5)

1.一种分布式框架下融合时空特征的光斑质心预测方法，其特征在于，包括下列步骤：
(1)设计了大气湍流光通信系统，建立了分布式框架，包括映射模块和规约模块，采集大气湍流光通信系统接收端的光斑信息，存储到光场强度样本分布式存储单元，形成光场强度样本集合DI，形成了光场强度样本处理模型，实现了对光场强度样本的分析和计算；
(2)对光场强度样本集合DI进行特征提取，得到时间维度特征TCD和空间维度特征SCD，形成时空特征TSCD；
(3)在分布式框架的映射模块中，划分为T组映射任务，采用数据驱动的建模思想，构建了基于极限学习机的神经网络，在每组映射任务中，形成关于时空特征TSCD,t,n和目标光斑质心Ot的光参数映射模型，通过对光参数映射模型的优化，确定了光参数映射模型中的输出层权重βt，并进一步得到新的光斑质心O′t；
(4)在分布式框架的规约模块中，基于分布式框架下的处理策略，对不同的光场强度样本集合进行处理，在映射模块中划分多组映射任务，进行特征提取和映射模型求解；在规约模块中，通过加权平均方法，得到光斑质心预测结果O″。
2.根据权利要求1所述的一种分布式框架下融合时空特征的光斑质心预测方法，其特征在于，所述步骤(1)中对光通信系统和分布式框架说明如下：
大气湍流光通信系统包括激光发射器、大气湍流信道、光学接收子系统、光电探测器、计算机终端，计算机终端通过信号采集卡得到测量的接收数据；
分布式框架包括光场强度样本分布式存储单元、分布式服务器、分布式交互终端、光场强度样本处理模型，其中，光场强度样本分布式存储单元保存了光场强度样本，并通过数据接口、分布式服务器和数据通信协议与分布式交互客户端进行交互和通信，完成数据的存储和管理；
计算机终端加载了处理软件和人机交互界面，通过函数调用实现了光场接收图像的存储和处理，通过对不同时刻的光场接收图像进行存储，经过一段时间累计，根据接收数据中目标物体和背景的差异，得到光场强度样本集合
Figure FDA0003792105520000011
其中，S表示光场强度样本集合中光斑样本ds的个数，s表示光场强度样本集合中光斑样本ds的标签。
3.根据权利要求1所述的一种分布式框架下融合时空特征的光斑质心预测方法，其特征在于，所述步骤(2)中所述特征提取方法如下：
计算光斑样本ds对应所有像素坐标(i,j)的像素值，从而确定了光斑质心坐标
Figure FDA0003792105520000021
表达式如下：
Figure FDA0003792105520000022
Figure FDA0003792105520000023
其中，
Figure FDA0003792105520000024
和
Figure FDA0003792105520000025
分别为光斑质心的横坐标和纵坐标，在光场强度样本集合DI中选取历史时间片段的K个光斑样本，组成光场强度样本序列DK，分别计算采样的光斑质心序列横坐标集合XK和采样的光斑质心序列纵坐标集合YK，形成时间维度特征TCD＝(XK,YK)；
进一步将每一个光场强度样本展开为向量形式，得到光场强度样本矩阵DK，对DK中的每一个光场强度值进行标准化处理后，得到光场强度标准化样本矩阵D′K，计算对应协方差矩阵的光场强度特征值
Figure FDA0003792105520000026
和光场强度特征向量
Figure FDA0003792105520000027
当所选定光场强度特征值贡献度大于阈值θ时，确定空间维度特征个数NSC；
Figure FDA0003792105520000028
其中，k表示NSC范围内光场强度特征值编号，对应的光场强度特征向量集合组成了空间维度特征
Figure FDA0003792105520000029
时间维度特征TCD和空间维度特征SCD组成光场强度时空特征TSCD，表达式为：
Figure FDA00037921055200000210
4.根据权利要求1所述的一种分布式框架下融合时空特征的光斑质心预测方法，其特征在于，所述步骤(3)中光参数映射模型建立如下：
在映射模块中，划分为T组映射任务，每组映射任务中输入T个时间段的光强样本集合，即
Figure FDA00037921055200000211
采用数据驱动的建模思想，构建了基于极限学习机的神经网络，神经网络的结构包括3层，分别为输入层、隐层和输出层，输入层为N个节点，隐层为L个节点，输出层为1个节点，然后，由时空特征TSCD,t和目标光斑质心坐标
Figure FDA00037921055200000212
组成的样本数据
Figure FDA00037921055200000213
形成光参数映射模型：
Figure FDA00037921055200000214
Figure FDA0003792105520000031
其中，at＝[at,1,at,2,...,at,L]T、a′t＝[a′t,1,a′t,2,...,a′t,L]T为输入层权重，bt＝[bt,1,bt,2,...,bt,L]T和b′t＝[b′t,1,b′t,2,...,b′t,L]T为输入层偏置，βt＝[βt,1,βt,2,...,βt,L]T和β′t＝[β′t,1,β′t,2,...,β′t,L]T为输出层权重，TSCD,t,n代表TSCD,t的第n组时空特征样本，Ot,n代表Ot的第n组光斑质心样本，
Figure FDA0003792105520000032
为激活函数，选取Sigmoid函数，具体表达式为：
Figure FDA0003792105520000033
Figure FDA0003792105520000034
整个映射函数满足连续的条件，可以有效的求取极点处的导数，隐层随机矩阵表示为：
Figure FDA0003792105520000035
Figure FDA0003792105520000036
其中，TSCD,t,1代表TSCD,t的第1组时空特征样本，TSCD,t,N代表TSCD,t的第N组时空特征样本；
在模型优化阶段，计算输出层权重βt、β′t，由于输入层、隐层和输出层具有关联性，从而实现对光参数映射模型的整体优化，输出层权重βt、β′t的计算方法为：
Figure FDA0003792105520000037
Figure FDA0003792105520000038
其中，
Figure FDA0003792105520000039
为Ht、H′t的M-P广义逆，可以表示为：
Figure FDA00037921055200000310
Figure FDA00037921055200000311
于是，可以得到每个时间段对应光参数映射模型的目标光斑质心横坐标
Figure FDA00037921055200000312
和纵坐标
Figure FDA00037921055200000313
预测结果为：
Figure FDA0003792105520000041
Figure FDA0003792105520000042
其中，Ht′、H′t′表示目标光斑样本对应的隐层随机矩阵，光参数映射模型的目标光斑质心为
Figure FDA0003792105520000043
5.根据权利要求1所述的一种分布式框架下融合时空特征的光斑质心预测方法，其特征在于，所述步骤(4)中分布式框架规约模块说明如下：
在规约模块中，对T组映射任务得到的结果进行规约处理，考虑每一组任务中光强样本数目Nt，确定规约模块的权重Wt为：
Wt＝1/Nt·························(17)
通过加权平均方法，得到光斑质心预测结果，表达式为：
Figure FDA0003792105520000044
Figure FDA0003792105520000045
得到光斑质心预测结果，光参数映射模型的目标光斑质心为O″＝(X″O,Y″O)。
CN202210958112.2A 2022-08-10 2022-08-10 一种分布式框架下融合时空特征的光斑质心预测方法 Active CN115333621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210958112.2A CN115333621B (zh) 2022-08-10 2022-08-10 一种分布式框架下融合时空特征的光斑质心预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210958112.2A CN115333621B (zh) 2022-08-10 2022-08-10 一种分布式框架下融合时空特征的光斑质心预测方法

Publications (2)

Publication Number Publication Date
CN115333621A true CN115333621A (zh) 2022-11-11
CN115333621B CN115333621B (zh) 2023-07-18

Family

ID=83922572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210958112.2A Active CN115333621B (zh) 2022-08-10 2022-08-10 一种分布式框架下融合时空特征的光斑质心预测方法

Country Status (1)

Country Link
CN (1) CN115333621B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680445A (zh) * 2023-05-05 2023-09-01 国网吉林省电力有限公司 基于知识图谱的电力光通信系统多源异构数据融合方法及系统
CN117315011A (zh) * 2023-11-30 2023-12-29 吉林珩辉光电科技有限公司 一种大气湍流中光斑中心定位方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040180625A1 (en) * 2003-03-13 2004-09-16 Arraycomm, Inc. Symbol estimation-based decorrelator for estimating spatial signatures in a wireless communications system
US20060055913A1 (en) * 2002-10-03 2006-03-16 Hammamatsu Photonics K.K. Phase distribution measuring instrument and phase distribution measuring method
CN101420594A (zh) * 2007-10-26 2009-04-29 三星电子株式会社 将视频图像划分为构成区域的设备和方法
CN106209221A (zh) * 2016-04-15 2016-12-07 中国科学院上海技术物理研究所 一种光斑质心提取精度的测量装置及测量方法
CN108205889A (zh) * 2017-12-29 2018-06-26 长春理工大学 基于卷积神经网络的高速公路交通流预测方法
US10852439B1 (en) * 2020-04-30 2020-12-01 Beihang University Global ionospheric total electron content prediction system
US20210080742A1 (en) * 2019-09-16 2021-03-18 California Institute Of Technology Control light intensity through scattering media with speckle intensity sequencing
CN114022730A (zh) * 2021-10-28 2022-02-08 中国科学院光电技术研究所 一种基于自监督学习神经网络的点目标相位检索方法
US20220085878A1 (en) * 2020-09-15 2022-03-17 Intelligent Fusion Technology, Inc. Method and system for free space optical communication performance prediction
CN114818466A (zh) * 2022-03-18 2022-07-29 长春理工大学 基于复合域分析的轨道角动量模式识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060055913A1 (en) * 2002-10-03 2006-03-16 Hammamatsu Photonics K.K. Phase distribution measuring instrument and phase distribution measuring method
US20040180625A1 (en) * 2003-03-13 2004-09-16 Arraycomm, Inc. Symbol estimation-based decorrelator for estimating spatial signatures in a wireless communications system
CN101420594A (zh) * 2007-10-26 2009-04-29 三星电子株式会社 将视频图像划分为构成区域的设备和方法
CN106209221A (zh) * 2016-04-15 2016-12-07 中国科学院上海技术物理研究所 一种光斑质心提取精度的测量装置及测量方法
CN108205889A (zh) * 2017-12-29 2018-06-26 长春理工大学 基于卷积神经网络的高速公路交通流预测方法
US20210080742A1 (en) * 2019-09-16 2021-03-18 California Institute Of Technology Control light intensity through scattering media with speckle intensity sequencing
US10852439B1 (en) * 2020-04-30 2020-12-01 Beihang University Global ionospheric total electron content prediction system
US20220085878A1 (en) * 2020-09-15 2022-03-17 Intelligent Fusion Technology, Inc. Method and system for free space optical communication performance prediction
CN114022730A (zh) * 2021-10-28 2022-02-08 中国科学院光电技术研究所 一种基于自监督学习神经网络的点目标相位检索方法
CN114818466A (zh) * 2022-03-18 2022-07-29 长春理工大学 基于复合域分析的轨道角动量模式识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李志鹏;杨国伟;毕美华;李齐良;魏一振;周雪芳;王天枢;: "空间分集抑制涡旋光束大气闪烁指数的研究", 光通信技术, no. 02 *
黄永梅: "深度学习技术在空间激光通信中的应用", 《遥测遥控》, vol. 43, no. 4 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680445A (zh) * 2023-05-05 2023-09-01 国网吉林省电力有限公司 基于知识图谱的电力光通信系统多源异构数据融合方法及系统
CN116680445B (zh) * 2023-05-05 2024-05-10 国网吉林省电力有限公司 基于知识图谱的电力光通信系统多源异构数据融合方法及系统
CN117315011A (zh) * 2023-11-30 2023-12-29 吉林珩辉光电科技有限公司 一种大气湍流中光斑中心定位方法及装置
CN117315011B (zh) * 2023-11-30 2024-04-02 吉林珩辉光电科技有限公司 一种大气湍流中光斑中心定位方法及装置

Also Published As

Publication number Publication date
CN115333621B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN115333621B (zh) 一种分布式框架下融合时空特征的光斑质心预测方法
Marquez et al. Hybrid solar forecasting method uses satellite imaging and ground telemetry as inputs to ANNs
Cellura et al. Wind speed spatial estimation for energy planning in Sicily: A neural kriging application
CN111242021B (zh) 一种分布式光纤振动信号特征提取与识别方法
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN112099110B (zh) 基于机器学习和遥感数据的海洋内波预报方法
CN113657028B (zh) 一种基于多源信息的气溶胶光学厚度在线预测方法
Liu et al. Deep transfer learning-based vehicle classification by asphalt pavement vibration
CN115545334A (zh) 土地利用类型预测方法、装置、电子设备及存储介质
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
CN116893177B (zh) 基于ccd和高温计的激光增材制造过程内部缺陷监测方法
CN111369483B (zh) 一种融合多源遥感数据生成高时空分辨率遥感数据的方法
CN112762841A (zh) 一种基于多分辨率深度特征的桥梁动位移监测系统及方法
Liu et al. Manhole cover detection from natural scene based on imaging environment perception
CN116340876A (zh) 一种局域多源数据融合的空间目标态势感知方法
CN113435034B (zh) 一种基于风险理论的主动传感器管理方法
CN115392128A (zh) 一种利用时空卷积lstm网络模拟流域径流量的方法
Zhang et al. Ultra-short-term prediction of regional photovoltaic power based on dynamic graph convolutional neural network
CN114063063A (zh) 基于合成孔径雷达和点状传感器的地质灾害监测方法
Li et al. A spatial and temporal signal fusion based intelligent event recognition method for buried fiber distributed sensing system
CN109508631A (zh) 一种基于分布式光纤传感技术的交通流模型构建方法
CN117214398B (zh) 一种深层地下水体污染物检测方法及系统
CN116719002B (zh) 定量降水估计方法、装置、电子设备及计算机存储介质
Ibikunle et al. Snow Radar Echogram Layer Tracker: Deep Neural Networks for radar data from NASA Operation IceBridge
Shan Optimized Design of 3D Spatial Images Based on Kalman Filter Equation

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