CN116400495B - 一种基于run优化算法的波前校正系统 - Google Patents

Abstract

本发明公开了一种基于RUN优化算法的波前校正系统，包括：波前校正器、图像传感器、透镜、电脑控制模块、图像采集卡、D/A转换器和高压放大器；以表征校正波前畸变程度的性能指标函数作为优化算法目标函数，将RUN算法作为系统闭环校正控制算法，波前校正器作为系统校正波前畸变器件，由RUN算法控制波前校正器校正波前像差，每次迭代时，将算法获得的电压控制信号经过放大施加到波前校正器，改变波前校正器镜面的形状，产生相应的校正波前。本发明的系统小型化、低值化，收敛速度快，对于不同湍流强度下波前畸变适应性强，能够充分发挥变形镜的校正能力。

Description

一种基于RUN优化算法的波前校正系统

技术领域

本发明涉及自适应光学技术领域，尤其是一种基于RUN优化算法的波前校正系统。

背景技术

光透过畸变介质或者不完备的成像系统后产生静态或动态畸变，这将严重影响光学系统的成像性能。自适应光学技术是波前像差校正领域中十分重要的技术手段，现在已经用于多个领域，如显微成像、人眼视网膜成像、内窥镜、光束整形及天文成像等。

传统自适应光学系统因为存在波前传感器，使得自适应光学系统成本高，结构复杂。对于要求结构小型化的领域，传统自适应光学系统已不能满足应用需求。无波前探测自适应光学系统能够实现自适应光学系统小型化，因为不需要波前测量环节，大大降低了结构的复杂程度，从而比传统自适应光学系统有着更为广泛的应用。近些年，几种元启发式算法被用作无波前探测适应光学系统的控制方法，如遗传算法、粒子群优化算法和差分进化算法等。把这些算法作为系统控制方法时，或者收敛速度慢，或者全局搜索效率不足，难以实际应用。

发明内容

本发明所要解决的技术问题在于，提供一种基于RUN优化算法的波前校正系统，系统小型化、低值化，收敛速度快，对于不同湍流强度下波前畸变适应性强，能够充分发挥变形镜的校正能力。

为解决上述技术问题，本发明提供一种基于RUN优化算法的波前校正系统，包括：波前校正器、图像传感器、透镜、电脑控制模块、图像采集卡、D/A转换器和高压放大器；畸变波前通过透镜到达图像传感器，电脑控制模块控制图像采集卡采集图像传感器的信号，通过RUN优化算法计算相应的控制信号，D/A转换器将数模转换后的控制信号传输给高压放大器，高压放大器将接受到的控制信号放大并驱动波前校正器产生变形，从而使畸变波前得到补偿。

相应的，一种基于RUN优化算法的波前校正方法，包括如下步骤：

步骤1、以表征校正波前畸变程度的性能指标函数作为优化算法目标函数；

步骤2、初始化控制算法各参数，设置种群数N，用来解决l维优化问题，l的大小取决于自适应光学系统的优化参数，一般等于波前校正器的单元数；

步骤3、通过初始化公式产生种群的初始位置，将初始化的种群作为控制参数施加到波前校正器上使之变形，再通过图像采集卡将图像传感器信息读入电脑控制模块，计算目标函数，分析出目前全局最优解x_gbest；

步骤4、将种群每个粒子位置进行更新；

步骤5、更新种群中每个粒子的位置和修正x_gbest。将x_gbest参数作为控制信号经过放大器放大施加到波前校正器进行像差校正，完成当前迭代；

步骤6、重复步骤4和步骤5，当全局最优控制参数达到满足校正要求或者满足预先设置的终止条件时候，完成系统闭环校正。

优选的，步骤3中，采用下式初始化种群：

x_n,l＝DL_l+R*(DU_l-DL_l) (1)

DL_l和DU_l分别是搜索空间的下边界和上边界，R是[0，1]范围内的随机数。

优选的，步骤4中，将种群每个粒子位置进行更新具体包括如下步骤：

步骤41、通过四阶龙格库塔数学方法计算出梯度SM，再随机生成[0,1]之间的随机数R，如果R<0.5，则粒子进入探索阶段，在搜索空间中进行全局搜索，同时围绕由x_n(当前位置)产生新位置执行局部搜索，根据搜索结果更新位置x_n+1；

步骤42、如果R≥0.5，则粒子进入开发阶段，围绕由目前全局最优解和每次迭代最优解产生的新位置进行局部搜索，根据开发结果更新位置x_n+1；

步骤43、当R<0.5时，通过ESQ(Enhanced Solution Quality，解质量增强)阶段提高解的质量。

优选的，步骤43中，当R<0.5时，通过ESQ阶段提高解的质量具体为：生成随机数c通常取(1,10)之间整数，it为当前迭代次数，Iter为最大迭代次数)；如果w<1，粒子进入开发阶段，根据开发结果得到新位置x_new2；如果w≥1，粒子进入探索阶段，根据探索结果得到新位置x_new2；如果新解x_new2没有比当前解得到更好的适应度且满足R<w条件时，围绕x_new2局部搜索和探索有希望区域，得到新位置x_new3，比较ESQ的解和当前最优解的适应度，完成位置更新。

本发明的有益效果为：(1)基于RUN优化算法的波前校正系统与传统自适应光学系统相比较不需要波前传感器，可以使系统小型化、低值化和广泛运用；(2)与现有元启发式种群类算法波前校正系统相比，该算法系统能够更高效的进行波前校正，系统收敛速度快；(3)基于RUN优化算法的波前校正系统陷入局部极值的概率低，并且对于不同湍流强度下波前畸变适应性强，能够充分发挥变形镜的校正能力。

附图说明

图1为本发明的系统结构示意图。

图2为本发明的方法流程示意图。

图3(a)为本发明待校正的波前畸变示例。

图3(b)为图3(a)对应的校正前点扩散函数图。

图3(c)为残余波前对应的校正后点扩散函数图。

具体实施方式

如图1所示，一种基于RUN优化算法的波前校正系统，包括：波前校正器、图像传感器、透镜、电脑控制模块、图像采集卡、D/A转换器和高压放大器；畸变波前通过透镜到达图像传感器，电脑控制模块控制图像采集卡采集图像传感器的信号，通过RUN优化算法计算相应的控制信号，D/A转换器将数模转换后的控制信号传输给高压放大器，高压放大器将接受到的控制信号放大并驱动波前校正器产生变形，从而使畸变波前得到补偿。

以61单元变形镜(DM-Deformable Mirror)作为波前校正器为例，图像传感器以电耦合元件(CCD)为例。其系统主要由DM、CCD、透镜、电脑控制模块、图像采集卡、控制算法、数模转换器、高压放大器组成。当光通过畸变介质的时候，入射光波发生了波前畸变，发生畸变的入射光经过61单元变形镜反射，再通过透镜到达CCD相机之后进行成像。RUN控制算法利用图像采集卡采集的成像信号计算DM的控制信号。数模转换器将控制信号转换为模拟信号，再由高压放大器将控制信号放大后施加到变形镜，完成一次闭环校正。

如图2所示，一种基于RUN优化算法的波前校正方法，包括如下步骤：

第1步：以校正波前畸变程度的性能指标函数作为优化算法目标函数，目标函数以平均半径(MR-Mean Radius)为例，随着AO系统的校正，像差变小时，MR也逐渐变小。

第2步：初始化控制算法各参数，设置种群数N。根据波前校正器驱动器数量，设置种群粒子维度l为61。

第3步：产生种群x_n(n＝1,2,…,N)的初始化位置，将产生的初始种群参数信号经过放大器放大施加到DM驱动器上，在CCD上面测出相应的远场光强。通过目标函数中性能指标MR的计算得到相应的适应度，确定当前全局最优粒子x_gbest。

第4步：将种群每个粒子位置进行更新。

第4.1步：先通过四阶龙格库塔数学方法计算出梯度SM，再随机生成[0,1]之间的随机数R，如果R<0.5时候，粒子进入探索阶段，在搜索空间中进行全局搜索，同时围绕由x_n产生新位置执行局部搜索，用这种搜索机制去更新x_n+1的位置。通过图像传感器测量x_n+1控制参数校正后的远场光强，经目标函数中性能指标计算得到相应适应度，J(x_n+1)和J(x_n)确定新的位置x_new；

第4.2步：当R≥0.5时候，粒子进入开发阶段，围绕由目前全局最优解和每次迭代最优解产生的新位置进行局部搜索，用这种搜索机制去更新x_n+1的位置。通过图像传感器测量x_n+1控制参数校正后的远场光强，经目标函数中性能指标计算得到相应适应度，J(x_n+1)和J(x_n)确定新的位置x_new。

第4.3步：当R<0.5时候，通过ESQ阶段提高解的质量。生成随机数wc通常取(1,10)之间整数，it为当前迭代次数，Iter为最大迭代次数)，w<1时候，粒子进入开发式搜索；w≥1时候，粒子进入探索式搜索，从而获得新位置x_new2。通过图像传感器测量x_new2控制参数校正后的远场光强，经目标函数中性能指标计算得到相应适应度，J(x_new2)和J(x_new)进行比较，确定新位置x_new。如果新解x_new2没有比当前解得到更好的适应度，再次进入新位置搜索阶段。如果同时满足J(x_new2)>J(x_new)和R<w条件时，围绕x_new2局部搜索和探索有希望区域，得到新位置x_new3。通过图像传感器测量x_new3控制参数校正后的远场光强，经目标函数中性能指标计算得到相应适应度，J(x_new3)和J(x_new)进行比较，确定新的位置。

第5步：更新种群中每个粒子的位置和修正x_gbest。将x_gbest参数信号经过放大器放大施加到DM进行校正，经过DM校正后残余波前作为待校正波前。

第6步：当算法满足终止条件的时候，将得到全局最优控制参数信号经过放大器放大输入到变形镜驱动器中，完成波前畸变校正。否则增加迭代次数，然后返回第四步。

如图3所示，其中图3(a)为待校正的波前畸变，图3(b)为图3(a)对应的校正前的点扩散函数图，图3(c)为通过基于RUN优化算法的波前校正系统校正后的残余波前对应的点扩散函数图。

本发明以表征校正波前畸变程度的性能指标函数作为优化算法目标函数，将RUN算法作为系统闭环校正控制算法。波前校正器作为系统校正波前畸变器件，由RUN算法控制波前校正器校正波前像差。每次迭代时，将算法获得的电压控制信号经过放大施加到波前校正器，改变波前校正器镜面的形状，产生相应的校正波前。

Claims (1)

1.一种基于RUN优化算法的波前校正系统，其特征在于，包括：波前校正器、图像传感器、透镜、电脑控制模块、图像采集卡、D/A转换器和高压放大器；畸变波前通过透镜到达图像传感器，电脑控制模块控制图像采集卡采集图像传感器的信号，通过RUN优化算法计算相应的控制信号，D/A转换器将数模转换后的控制信号传输给高压放大器，高压放大器将接受到的控制信号放大并驱动波前校正器产生变形，从而使畸变波前得到补偿；具体包括如下步骤：

步骤1、以表征校正波前畸变程度的性能指标函数作为优化算法目标函数；

步骤2、初始化控制算法各参数，设置种群数N，用来解决l维优化问题，l的大小取决于自适应光学系统的优化参数，等于波前校正器的单元数；

步骤3、通过初始化公式产生种群的初始位置，将初始化的种群作为控制参数施加到波前校正器上使之变形，再通过图像采集卡将图像传感器信息读入电脑控制模块，计算目标函数，分析出目前全局最优解x_gbest；采用下式初始化种群：

x_n,l＝DL_l+R*(DI_l-DL_l) (1)

DL_l和DU_l分别是搜索空间的下边界和上边界，R是[0，1]范围内的随机数；

步骤4、将种群每个粒子位置进行更新；

步骤5、更新种群中每个粒子的位置和修正x_gbest，将x_gbest参数作为控制信号经过放大器放大施加到波前校正器进行像差校正，完成当前迭代；具体包括如下步骤：

步骤41、通过四阶龙格库塔数学方法计算出梯度SM，再随机生成[0,1]之间的随机数R，如果R<0.5，则粒子进入探索阶段，在搜索空间中进行全局搜索，同时围绕由当前位置x_n产生新位置执行局部搜索,根据搜索结果更新位置x_n+1；

步骤42、如果R≥0.5，则粒子进入开发阶段，围绕由目前全局最优解和每次迭代最优解产生的新位置进行局部搜索，根据开发结果更新位置x_n+1；

步骤43、当R<0.5时，通过ESQ阶段提高解的质量；当R<0.5时，通过ESQ阶段提高解的质量具体为：生成随机数w，c为常数，通常取(1,10)之间整数，it为当前迭代次数，Iter为最大迭代次数；如果w<1，粒子进入开发阶段，根据开发结果得到新位置x_new2；如果w≥1，粒子进入探索阶段，根据探索结果得到新位置x_new2；如果新解x_new2没有比当前解得到更好的适应度且满足R<w条件时，围绕x_new-局部搜索和探索有希望区域，得到新位置x_new.，比较ESQ的解和当前最优解的适应度，完成位置更新；

步骤6、重复步骤4和步骤5，当全局最优控制参数达到满足校正要求或者满足预先设置的终止条件时候，完成系统闭环校正。