CN117313549A - 一种基于定量化组合玻璃替换的光学系统无热化方法 - Google Patents
一种基于定量化组合玻璃替换的光学系统无热化方法 Download PDFInfo
- Publication number
- CN117313549A CN117313549A CN202311555464.4A CN202311555464A CN117313549A CN 117313549 A CN117313549 A CN 117313549A CN 202311555464 A CN202311555464 A CN 202311555464A CN 117313549 A CN117313549 A CN 117313549A
- Authority
- CN
- China
- Prior art keywords
- optical system
- performance
- optical
- comment
- physical model
- 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
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 291
- 238000000034 method Methods 0.000 title claims abstract description 82
- 239000011521 glass Substances 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 17
- 239000000463 material Substances 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 57
- 238000011156 evaluation Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000006467 substitution reaction Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000011158 quantitative evaluation Methods 0.000 claims description 6
- 230000004075 alteration Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 11
- 238000013461 design Methods 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于定量化组合玻璃替换的光学系统无热化方法,涉及光学系统设计与优化技术领域,该基于定量化组合玻璃替换的光学系统无热化方法包括以下步骤:获取光学系统的光学参数和性能指标;构建光学系统物理模型;对光学系统的性能进行定量评估;基于罚函数法对光学系统物理模型的参数进行优化;建立包含若干玻璃组合的玻璃库,并根据参数优化结果,从玻璃库中选择与参数优化结果相匹配的玻璃材料,替换光学系统中的光学元件。本发明可以更精确地理解和预测系统在不同温度条件下的性能变化,可以提高光学系统在更广泛的温度范围内的性能稳定性,从而提高成像质量并减少由于温度变化引起的系统性能波动。
Description
技术领域
本发明涉及光学系统设计与优化技术领域,具体来说,特别涉及一种基于定量化组合玻璃替换的光学系统无热化方法。
背景技术
随着光学成像技术不断进步,对光学系统的成像质量的要求也逐渐提高。特别是在弹载和机载红外系统中,这些系统通常必须在广泛的温度范围内正常运行。然而,在不同的温度环境下,由于光学材料和机械材料热膨胀效应的影响,光学系统的一些关键参数(例如焦距、光轴位置等)可能会发生变化。这些变化可能导致系统的最佳成像平面发生偏移,从而影响成像质量。这些影响可能表现为图像模糊、对比度降低等问题,这些都会最终影响到导引头的整体性能。
在设计光学系统的过程中,采用无热化技术可以消除或降低温度变化对光学系统成像质量的影响。无热化技术通过某些技术手段,如使用定量化组合玻璃替换等,使光学系统在一个较大的温度范围内保持稳定的光学参数,从而保持良好的成像质量。这种消除或降低温度变化对光学系统成像质量影响的技术,即被称为无热化技术。传统的光学系统无热化设计常常往往只考虑了一部分因素,忽略了其他可能影响无热化性能的因素,从而会使得光学系统在特定温度下光学性能的变化大于预期,或者在整个温度范围内的性能变化不均匀,进而会导致光学系统的成像质量不稳定及其性能不可预测。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
有鉴于此,本发明提供一种基于定量化组合玻璃替换的光学系统无热化方法,以解决上述提及的传统光学系统无热化设计常常往往只考虑了一部分因素,忽略了其他可能影响无热化性能的因素,会导致光学系统的成像质量不稳定及其性能不可预测问题。
为了解决上述问题,本发明采用的具体技术方案如下:
一种基于定量化组合玻璃替换的光学系统无热化方法,该基于定量化组合玻璃替换的光学系统无热化方法包括以下步骤:
S1、获取光学系统的光学参数和性能指标,光学系统的光学参数包括热膨胀系数、折射率、色散、透射率及焦距,光学系统的性能指标包括图像质量、尺寸及热稳定性;
S2、基于光学系统的光学参数构建光学系统物理模型;
S3、基于构建光学系统物理模型,通过组合赋权和改进的可拓云理论对光学系统的性能进行定量评估;
S4、基于罚函数法对光学系统物理模型的参数进行优化,得到参数优化结果;
S5、建立包含若干玻璃组合的玻璃库,并根据参数优化结果,从玻璃库中选择与参数优化结果相匹配的玻璃材料,替换光学系统中的光学元件。
优选的,基于光学系统的光学参数构建光学系统物理模型包括以下步骤:
S21、根据光学系统的光学参数确定需要使用的光学元件、光学元件的位置布局以及光学元件的光学性质;
S22、根据光学元件的光学性质和光学元件之间的位置布局,建立光学系统的传输矩阵,得到光学系统物理模型。
优选的,基于构建光学系统物理模型,通过组合赋权和改进的可拓云理论对光学系统的性能进行定量评估包括以下步骤:
S31、根据光学系统的性能指标构建光学系统性能评估的指标体系;
S32、利用层次分析法和熵值法确定光学系统各性能指标的权重,并确定光学系统性能评语等级;
S33、利用改进的可拓云理论,并根据50%关联度规则生成每个评语等级对应的云模型,然后计算每个性能指标值与不同评语等级云模型的关联度,构建性能指标与评语等级之间的关联矩阵;
S34、采用模糊综合评判方法,并根据性能指标权重和关联矩阵,对光学系统的性能进行定量评估。
优选的,利用层次分析法和熵值法确定光学系统各性能指标的权重,并确定光学系统性能评语等级包括以下步骤:
S321、构建光学系统性能指标的层次结构模型,并确定性能指标之间的上下级关系;
S322、通过层次分析法构建比较判断矩阵,并确定各性能指标的初步权重;
S323、收集各性能指标的原始评估数据,计算各性能指标的熵值,根据各性能指标的熵值确定各性能指标的客观权重;
S324、将得到的各性能指标初步权重和客观权重进行线性组合,得到各性能指标的综合权重;
S325、确定评语等级的划分,以及确定每个评语等级对应的性能阈值;
S326、对于每个性能指标,根据其综合权重计算出性能得分,并将所有性能指标的性能得分进行加权求和,得到光学系统的总得分;
S327、根据光学系统的总得分和每个评语等级对应的性能阈值,确定光学系统的性能评语等级。
优选的,利用改进的可拓云理论,并根据50%关联度规则分别生成每个评语等级对应的云模型,然后计算每个性能指标值与不同评语等级云模型的关联度,构建性能指标与评语等级之间的关联矩阵包括以下步骤:
S331、根据50%关联度规则计算每个评语等级的数字特征,数字特征包括期望Ex、云熵En和超熵He;
S332、通过正向云生成器生成每个评语等级对应的云模型;
S333、通过关联度计算公式计算每个性能指标值与不同评语等级云模型的关联度;
S334、根据计算得到关联度,构建性能指标与评语等级之间的关联矩阵。
优选的,关联度计算公式为:
;
式中,μ d 表示性能指标值相对于评语等级d的关联度值;
Ex d 表示评语等级d的数字特征期望值;
En d 表示评语等级d的数字特征云熵值;
e表示自然对数的底数;
x表示性能指标值。
优选的,采用模糊综合评判方法,并根据性能指标权重和关联矩阵,对光学系统的性能进行定量评估包括以下步骤:
S341、根据性能指标权重和关联矩阵建立模糊评价矩阵;
S342、利用加权平均法对模糊评价矩阵进行模糊综合评价,得到模糊综合评价结果;
S343、根据最大隶属度原则对模糊综合评价结果进行解模糊,得到光学系统的性能评价值。
优选的,基于罚函数法对光学系统物理模型的参数进行优化,得到参数优化结果包括以下步骤:
S41、根据光学系统的性能评估结果定义光学系统性能的目标函数和约束条件,光学系统性能的目标函数为最小化光学系统在环境温度变化下的图像质量衰减,光学系统性能的约束条件包括光学系统满足光焦度方程、消轴向色差方程、消二级光谱方程和消差方程;
S42、根据定义的光学系统性能的目标函数和约束条件构建光学系统罚函数;
S43、通过梯度下降法对构建的光学系统罚函数进行优化,得到光学系统物理模型的参数优化结果。
优选的,根据定义的光学系统性能的目标函数和约束条件构建光学系统罚函数的计算公式为:
;
式中,R表示光学系统罚函数;
H表示惩罚因子;
F(X)表示光学系统性能的目标函数;
g i (X)表示光学系统性能的第i个约束条件的罚项;
n表示约束条件的数量。
优选的,通过梯度下降法对构建的光学系统罚函数进行优化,得到光学系统物理模型的参数优化结果包括以下步骤:
S431、初始化光学系统物理模型的参数值;
S432、计算光学系统罚函数关于光学系统物理模型各参数的梯度值;
S433、根据参数的梯度方向和预设的学习率,对每个参数进行调整,得到新的光学系统物理模型参数;
S434、重复步骤S432-S433,直到达到预设的收敛条件,得到光学系统物理模型的参数优化结果。
本发明的有益效果为:
1、本发明通过构建光学系统物理模型,并采用组合赋权和改进的可拓云理论进行定量评估,可以更精确地理解和预测系统在不同温度条件下的性能变化,使用罚函数法进行参数优化,可以有效地找到满足特定性能要求的最优解,而不仅仅是满足某一单个指标的解,建立包含若干玻璃组合的玻璃库,并根据优化结果选择匹配的玻璃材料替换光学元件,增加了设计的灵活性,使得设计可以更好地适应不同的应用需求和环境条件,可以提高光学系统在更广泛的温度范围内的性能稳定性,从而提高成像质量并减少由于温度变化引起的系统性能波动。
2、本发明通过构建光学系统性能评估的指标体系,可以全面考虑和评估光学系统的多个性能指标,更全面地理解和预测系统性能,利用层次分析法和熵值法确定各性能指标的权重,能够科学地反映各指标对总体性能的贡献,改进的可拓云理论的引入以及通过云模型和关联度的计算,使得系统能够更灵活地应对复杂和模糊的实际情况,通过模糊综合评判方法和关联矩阵,可以定量地评估光学系统的性能,使得评估结果更为明确和可信。
3、本发明通过定义明确的目标函数和约束条件,能够明确优化的目标和范围,使得优化过程更为有方向和有效,通过构建罚函数并使用梯度下降法进行优化,能够在满足约束条件的同时,寻找到目标函数的最优解,使得优化过程更为灵活和高效,从而可以有效地减少光学系统在环境温度变化下的图像质量衰减,从而提高光学系统的性能和稳定。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是根据本发明实施例的一种基于定量化组合玻璃替换的光学系统无热化方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本申请一部分实施方式,而不是全部的实施方式。基于本申请中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都应当属于本申请保护的范围。
根据本发明的实施例,提供了一种基于定量化组合玻璃替换的光学系统无热化方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于定量化组合玻璃替换的光学系统无热化方法,该基于定量化组合玻璃替换的光学系统无热化方法包括以下步骤:
S1、获取光学系统的光学参数和性能指标,光学系统的光学参数包括热膨胀系数、折射率、色散、透射率及焦距等,光学系统的性能指标包括图像质量、尺寸及热稳定性等;
S2、基于光学系统的光学参数构建光学系统物理模型;
作为优选实施方式,基于光学系统的光学参数构建光学系统物理模型包括以下步骤:
S21、根据光学系统的光学参数确定需要使用的光学元件、光学元件的位置布局以及光学元件的光学性质;
需要说明的是,光学元件包括镜头、棱镜、滤镜等,它们的光学性质包括折射率、透射率、焦距等,光学元件的位置布局包括光学元件的相对位置和方向。
S22、根据光学元件的光学性质和光学元件之间的位置布局,建立光学系统的传输矩阵,得到光学系统物理模型。
需要说明的是,传输矩阵是描述光学系统行为的数学模型,可以用来预测和分析系统的性能,对于每个光学元件,都可以建立一个传输矩阵来描述光在该元件中的传播,将各个光学元件的传输矩阵按照元件的布局顺序进行矩阵乘法,得到整个光学系统的传输矩阵;利用得到的传输矩阵,可以建立光学系统的物理模型。可以清晰地描述光在光学系统中的传播,能够考虑到光学元件的性质和位置布局对系统性能的影响,从而为光学系统的设计和优化提供了有力的工具。
S3、基于构建光学系统物理模型,通过组合赋权和改进的可拓云理论对光学系统的性能进行定量评估;
作为优选实施方式,基于构建光学系统物理模型,通过组合赋权和改进的可拓云理论对光学系统的性能进行定量评估包括以下步骤:
S31、根据光学系统的性能指标构建光学系统性能评估的指标体系;
需要说明的是,光学系统的性能指标包括图像质量、光学性能及机械性能等。图像质量包括分辨率、对比度、像差等。光学性能包括工作距离、深度范围等。
S32、利用层次分析法和熵值法确定光学系统各性能指标的权重,并确定光学系统性能评语等级;
作为优选实施方式,利用层次分析法和熵值法确定光学系统各性能指标的权重,并确定光学系统性能评语等级包括以下步骤:
S321、构建光学系统性能指标的层次结构模型,并确定性能指标之间的上下级关系;
需要说明的是,结合评估指标体系构建指标横向之间的比较关系、纵向之间的逻辑归属关系以及重要级别,建立自上而下的层次化结构模型。
S322、通过层次分析法构建比较判断矩阵,并确定各性能指标的初步权重;
需要说明的是,层次分析法是一种决策方法,它通过构建比较判断矩阵和计算权重来帮助做出决策。首先,计算每个性能指标相对于上一层次目标的重要程度;检验判断矩阵一致性,计算一致性比CR。如果CR<0.1,表示判断满意。正规化各指标的重要程度,即为各指标的初步主观权重。
S323、收集各性能指标的原始评估数据,计算各性能指标的熵值,根据各性能指标的熵值确定各性能指标的客观权重;
需要说明的是,收集光学系统在各性能指标上的原始测试结果,然后计算各指标的熵值;比较各指标的熵值熵值越大,表示该指标测试结果的差异越大,信息量越大,该指标的重要程度越高,最后将熵值标准化作为客观权重。
具体的,各指标熵值的计算公式为:
;
式中,r j 表示第j个性能指标的熵值;
P ij 表示第j个性能指标下第i个性能评估对象的特征比重;
表示标准化因子,是用来实现标准化的,lnm是熵值随样本数量增长而增加的趋势。
S324、将得到的各性能指标初步权重和客观权重进行线性组合,得到各性能指标的综合权重;
具体的,通过主观权重和客观权重的线性组合,可以很好地结合主观判断和客观数据,得到科学合理的各指标综合权重,为后续工作提供依据。
S325、确定评语等级的划分,以及确定每个评语等级对应的性能阈值;
需要说明的是,首先,确定评语等级的数目和名称,优秀、良好、一般、较差、差等,然后确定每个等级的分值范围。优秀为85-100分,良好为70-85分,一般为55-70分,较差为40-55分,差为0-40分。根据各指标在整体中的权重比重,合理设置各指标对应的分值阈值。例如,优秀为大于3M像素,良好为2-3M像素,一般为1-2M像素,较差为0.5-1M像素,差为小于0.5M像素。
S326、对于每个性能指标,根据其综合权重计算出性能得分,并将所有性能指标的性能得分进行加权求和,得到光学系统的总得分;
需要说明的是,针对每个性能指标,根据其在实际光学系统中的表现来对其进行评分。这个评分可以是基于一些量化的度量,也可以是基于专家的主观评价。然后,可以基于每个性能指标的评分和其对应的权重,来计算性能得分。具体来说,性能得分就是该性能指标的评分乘以其权重;最后可以将所有性能指标的性能得分进行加权求和,得到光学系统的总得分。
S327、根据光学系统的总得分和每个评语等级对应的性能阈值,确定光学系统的性能评语等级。
S33、利用改进的可拓云理论,并根据50%关联度规则生成每个评语等级对应的云模型,然后计算每个性能指标值与不同评语等级云模型的关联度,构建性能指标与评语等级之间的关联矩阵;
作为优选实施方式,利用改进的可拓云理论,并根据50%关联度规则分别生成每个评语等级对应的云模型,然后计算每个性能指标值与不同评语等级云模型的关联度,构建性能指标与评语等级之间的关联矩阵包括以下步骤:
S331、根据50%关联度规则计算每个评语等级的数字特征,数字特征包括期望Ex、云熵En和超熵He;
需要说明的是,云模型是一种用于处理不确定性信息的数学模型,它通过一个数字特征(期望Ex、云熵En和超熵He)来描述一个随机现象的分布特性。云模型的数字特征可以用于描述评语等级的不确定性。
对于每个评价等级,期望Ex可以以该评价等级的平均值或中位数作为代表。
云熵En是描述数据集在期望值附近的聚散程度,可以通过计算标准差或四分位差获得。
超熵He是描述云熵变化程度的量,可以通过计算云熵的标准差或四分位差来得到。
S332、通过正向云生成器生成每个评语等级对应的云模型;
需要说明的是,正向云生成器是一种基于云模型的数字特性(期望Ex、云熵En、超熵He)生成云模型的方法。正向云生成器的基本原理是使用正态分布函数和均匀分布函数模拟云模型的数字特性。
对于云模型中的每个元素,首先从正态分布函数中产生一个随机数,这个随机数就是云模型中的一个云滴,对于生成的每个云滴,再从均匀分布函数中产生一个随机数,这个随机数表示云滴的密度,直到生成足够数量的云滴,得到每个评语等级对应的云模型。
S333、通过关联度计算公式计算每个性能指标值与不同评语等级云模型的关联度;
具体的,关联度计算公式为:
;
式中,μ d 表示性能指标值相对于评语等级d的关联度值;
Ex d 表示评语等级d的数字特征期望值;
En d 表示评语等级d的数字特征云熵值;
e表示自然对数的底数;
x表示性能指标值。
S334、根据计算得到关联度,构建性能指标与评语等级之间的关联矩阵。
S34、采用模糊综合评判方法,并根据性能指标权重和关联矩阵,对光学系统的性能进行定量评估。
作为优选实施方式,采用模糊综合评判方法,并根据性能指标权重和关联矩阵,对光学系统的性能进行定量评估包括以下步骤:
S341、根据性能指标权重和关联矩阵建立模糊评价矩阵;
需要说明的是,首先,创建一个模糊评价矩阵,在这个矩阵中,行代表性能指标,列代表评语等级,矩阵中的每个元素表示对应性能指标和评语等级的关联度,这个关联度应该乘以该性能指标的权重。便得到了一个考虑了性能指标权重的模糊评价矩阵。
S342、利用加权平均法对模糊评价矩阵进行模糊综合评价,得到模糊综合评价结果;
需要说明的是,对模糊评价矩阵的每一列(即每一个评语等级),将该列的每一个元素与对应的权重进行乘积运算,然后将所有的乘积相加,得到的结果就是该评语等级的加权平均值,也就是模糊综合评价结果中对应于该评语等级的值。
S343、根据最大隶属度原则对模糊综合评价结果进行解模糊,得到光学系统的性能评价值。
需要说明的是,模糊综合评价结果通常以模糊集的形式存在,其中每个元素都有一个与之相关的隶属度值,遍历模糊集中的所有元素,找出隶属度最大的元素。如果有多个元素的隶属度相同,则可以取其中任何一个作为结果。根据最大隶属度原则,将隶属度最大的元素作为最可能的结果。因此,取隶属度最大的元素作为解模糊的结果,即光学系统的性能评价值。
具体的,通过构建光学系统性能评估的指标体系,可以全面考虑和评估光学系统的多个性能指标,更全面地理解和预测系统性能,利用层次分析法和熵值法确定各性能指标的权重,能够科学地反映各指标对总体性能的贡献,改进的可拓云理论的引入以及通过云模型和关联度的计算,使得系统能够更灵活地应对复杂和模糊的实际情况,通过模糊综合评判方法和关联矩阵,可以定量地评估光学系统的性能,使得评估结果更为明确和可信。
S4、基于罚函数法对光学系统物理模型的参数进行优化,得到参数优化结果;
作为优选实施方式,基于罚函数法对光学系统物理模型的参数进行优化,得到参数优化结果包括以下步骤:
S41、根据光学系统的性能评估结果定义光学系统性能的目标函数和约束条件,光学系统性能的目标函数为最小化光学系统在环境温度变化下的图像质量衰减,光学系统性能的约束条件包括光学系统满足光焦度方程、消轴向色差方程、消二级光谱方程和消差方程;
S42、根据定义的光学系统性能的目标函数和约束条件构建光学系统罚函数;
作为优选实施方式,根据定义的光学系统性能的目标函数和约束条件构建光学系统罚函数的计算公式为:
;
式中,R表示光学系统罚函数;
H表示惩罚因子;
F(X)表示光学系统性能的目标函数;
g i (X)表示光学系统性能的第i个约束条件的罚项;
n表示约束条件的数量。
S43、通过梯度下降法对构建的光学系统罚函数进行优化,得到光学系统物理模型的参数优化结果。
作为优选实施方式,通过梯度下降法对构建的光学系统罚函数进行优化,得到光学系统物理模型的参数优化结果包括以下步骤:
S431、初始化光学系统物理模型的参数值;
需要说明的是,通过将每个参数初始化为变量范围内的均值,可以避免参数初始化于变量范围的边界。
S432、计算光学系统罚函数关于光学系统物理模型各参数的梯度值;
需要说明的是,梯度是一个向量,表示了函数在当前参数设置下的局部变化率,方向指向函数值增长最快的方向。在最优化问题中,常常需要朝梯度的反方向(也就是函数值减小的方向)更新参数。
通过对罚函数进行求导,得到它关于每个参数的偏导数。这些偏导数就构成了梯度。将当前的参数值代入每个偏导数,就可以计算出梯度。
S433、根据参数的梯度方向和预设的学习率,对每个参数进行调整,得到新的光学系统物理模型参数;
需要说明的是,学习率决定了参数调整的幅度。学习率越小,调整越平滑,按照梯度方向调整每个参数,具体为:
参数新值=参数旧值-学习率×梯度;
然后将调整后的参数代入物理模型,并计算新的目标函数值。
S434、重复步骤S432-S433,直到达到预设的收敛条件,得到光学系统物理模型的参数优化结果。
具体的,通过定义明确的目标函数和约束条件,能够明确优化的目标和范围,使得优化过程更为有方向和有效,通过构建罚函数并使用梯度下降法进行优化,能够在满足约束条件的同时,寻找到目标函数的最优解,使得优化过程更为灵活和高效,从而可以有效地减少光学系统在环境温度变化下的图像质量衰减,从而提高光学系统的性能和稳定。
S5、建立包含若干玻璃组合的玻璃库,并根据参数优化结果,从玻璃库中选择与参数优化结果相匹配的玻璃材料,替换光学系统中的光学元件。
需要说明的是,首先,建立一个包含不同折射率、色散程度等参数的玻璃组合的玻璃材料库,并根据参数优化后的光学系统模型,计算出各光学元件需要满足的光学参数,然后在玻璃材料库中,查找参数与需要匹配的玻璃材料。用匹配材料替换原有光学元件的玻璃,最后重新建立含新玻璃的光学系统模型,验证性能是否有提升。
综上,借助于本发明的上述技术方案,本发明通过构建光学系统物理模型,并采用组合赋权和改进的可拓云理论进行定量评估,可以更精确地理解和预测系统在不同温度条件下的性能变化,使用罚函数法进行参数优化,可以有效地找到满足特定性能要求的最优解,而不仅仅是满足某一单个指标的解,建立包含若干玻璃组合的玻璃库,并根据优化结果选择匹配的玻璃材料替换光学元件,增加了设计的灵活性,使得设计可以更好地适应不同的应用需求和环境条件,可以提高光学系统在更广泛的温度范围内的性能稳定性,从而提高成像质量并减少由于温度变化引起的系统性能波动;本发明通过构建光学系统性能评估的指标体系,可以全面考虑和评估光学系统的多个性能指标,更全面地理解和预测系统性能,利用层次分析法和熵值法确定各性能指标的权重,能够科学地反映各指标对总体性能的贡献,改进的可拓云理论的引入以及通过云模型和关联度的计算,使得系统能够更灵活地应对复杂和模糊的实际情况,通过模糊综合评判方法和关联矩阵,可以定量地评估光学系统的性能,使得评估结果更为明确和可信;本发明通过定义明确的目标函数和约束条件,能够明确优化的目标和范围,使得优化过程更为有方向和有效,通过构建罚函数并使用梯度下降法进行优化,能够在满足约束条件的同时,寻找到目标函数的最优解,使得优化过程更为灵活和高效,从而可以有效地减少光学系统在环境温度变化下的图像质量衰减,从而提高光学系统的性能和稳定。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,该基于定量化组合玻璃替换的光学系统无热化方法包括以下步骤:
S1、获取光学系统的光学参数和性能指标;
S2、基于光学系统的光学参数构建光学系统物理模型;
S3、基于构建光学系统物理模型,通过组合赋权和改进的可拓云理论对光学系统的性能进行定量评估;
S4、基于罚函数法对光学系统物理模型的参数进行优化,得到参数优化结果;
S5、建立包含若干玻璃组合的玻璃库,并根据参数优化结果,从玻璃库中选择与参数优化结果相匹配的玻璃材料,替换光学系统中的光学元件。
2.根据权利要求1所述的一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,所述基于光学系统的光学参数构建光学系统物理模型包括以下步骤:
S21、根据光学系统的光学参数确定需要使用的光学元件、光学元件的位置布局以及光学元件的光学性质;
S22、根据光学元件的光学性质和光学元件之间的位置布局,建立光学系统的传输矩阵,得到光学系统物理模型。
3.根据权利要求1所述的一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,所述基于构建光学系统物理模型,通过组合赋权和改进的可拓云理论对光学系统的性能进行定量评估包括以下步骤:
S31、根据光学系统的性能指标构建光学系统性能评估的指标体系;
S32、利用层次分析法和熵值法确定光学系统各性能指标的权重,并确定光学系统性能评语等级;
S33、利用改进的可拓云理论,并根据50%关联度规则生成每个评语等级对应的云模型,然后计算每个性能指标值与不同评语等级云模型的关联度,构建性能指标与评语等级之间的关联矩阵;
S34、采用模糊综合评判方法,并根据性能指标权重和关联矩阵,对光学系统的性能进行定量评估。
4.根据权利要求3所述的一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,所述利用层次分析法和熵值法确定光学系统各性能指标的权重,并确定光学系统性能评语等级包括以下步骤:
S321、构建光学系统性能指标的层次结构模型,并确定性能指标之间的上下级关系;
S322、通过层次分析法构建比较判断矩阵,并确定各性能指标的初步权重;
S323、收集各性能指标的原始评估数据,计算各性能指标的熵值,根据各性能指标的熵值确定各性能指标的客观权重;
S324、将得到的各性能指标初步权重和客观权重进行线性组合,得到各性能指标的综合权重;
S325、确定评语等级的划分,以及确定每个评语等级对应的性能阈值;
S326、对于每个性能指标,根据其综合权重计算出性能得分,并将所有性能指标的性能得分进行加权求和,得到光学系统的总得分;
S327、根据光学系统的总得分和每个评语等级对应的性能阈值,确定光学系统的性能评语等级。
5.根据权利要求3所述的一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,所述利用改进的可拓云理论,并根据50%关联度规则分别生成每个评语等级对应的云模型,然后计算每个性能指标值与不同评语等级云模型的关联度,构建性能指标与评语等级之间的关联矩阵包括以下步骤:
S331、根据50%关联度规则计算每个评语等级的数字特征,所述数字特征包括期望Ex、云熵En和超熵He;
S332、通过正向云生成器生成每个评语等级对应的云模型;
S333、通过关联度计算公式计算每个性能指标值与不同评语等级云模型的关联度;
S334、根据计算得到关联度,构建性能指标与评语等级之间的关联矩阵。
6.根据权利要求5所述的一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,所述关联度计算公式为:
;
式中,μ d 表示性能指标值相对于评语等级d的关联度值;
Ex d 表示评语等级d的数字特征期望值;
En d 表示评语等级d的数字特征云熵值;
e表示自然对数的底数;
x表示性能指标值。
7.根据权利要求3所述的一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,所述采用模糊综合评判方法,并根据性能指标权重和关联矩阵,对光学系统的性能进行定量评估包括以下步骤:
S341、根据性能指标权重和关联矩阵建立模糊评价矩阵;
S342、利用加权平均法对模糊评价矩阵进行模糊综合评价,得到模糊综合评价结果;
S343、根据最大隶属度原则对模糊综合评价结果进行解模糊,得到光学系统的性能评价值。
8.根据权利要求1所述的一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,所述基于罚函数法对光学系统物理模型的参数进行优化,得到参数优化结果包括以下步骤:
S41、根据光学系统的性能评估结果定义光学系统性能的目标函数和约束条件,所述光学系统性能的目标函数为最小化光学系统在环境温度变化下的图像质量衰减,所述光学系统性能的约束条件包括光学系统满足光焦度方程、消轴向色差方程、消二级光谱方程和消差方程;
S42、根据定义的光学系统性能的目标函数和约束条件构建光学系统罚函数;
S43、通过梯度下降法对构建的光学系统罚函数进行优化,得到光学系统物理模型的参数优化结果。
9.根据权利要求8所述的一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,所述根据定义的光学系统性能的目标函数和约束条件构建光学系统罚函数的计算公式为:
;
式中,R表示光学系统罚函数;
H表示惩罚因子;
F(X)表示光学系统性能的目标函数;
g i (X)表示光学系统性能的第i个约束条件的罚项;
n表示约束条件的数量。
10.根据权利要求9所述的一种基于定量化组合玻璃替换的光学系统无热化方法,其特征在于,所述通过梯度下降法对构建的光学系统罚函数进行优化,得到光学系统物理模型的参数优化结果包括以下步骤:
S431、初始化光学系统物理模型的参数值;
S432、计算光学系统罚函数关于光学系统物理模型各参数的梯度值;
S433、根据参数的梯度方向和预设的学习率,对每个参数进行调整,得到新的光学系统物理模型参数;
S434、重复步骤S432-S433,直到达到预设的收敛条件,得到光学系统物理模型的参数优化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311555464.4A CN117313549B (zh) | 2023-11-21 | 2023-11-21 | 一种基于定量化组合玻璃替换的光学系统无热化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311555464.4A CN117313549B (zh) | 2023-11-21 | 2023-11-21 | 一种基于定量化组合玻璃替换的光学系统无热化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117313549A true CN117313549A (zh) | 2023-12-29 |
CN117313549B CN117313549B (zh) | 2024-01-30 |
Family
ID=89273882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311555464.4A Active CN117313549B (zh) | 2023-11-21 | 2023-11-21 | 一种基于定量化组合玻璃替换的光学系统无热化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313549B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793655A (zh) * | 2021-09-14 | 2021-12-14 | 吉林大学 | 一种基于定量化组合玻璃替换的光学系统无热化方法 |
CN116127378A (zh) * | 2023-02-24 | 2023-05-16 | 河北工业大学 | 基于改进可拓云模型的公路隧道衬砌服役状态评价方法 |
-
2023
- 2023-11-21 CN CN202311555464.4A patent/CN117313549B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793655A (zh) * | 2021-09-14 | 2021-12-14 | 吉林大学 | 一种基于定量化组合玻璃替换的光学系统无热化方法 |
CN116127378A (zh) * | 2023-02-24 | 2023-05-16 | 河北工业大学 | 基于改进可拓云模型的公路隧道衬砌服役状态评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117313549B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885907B (zh) | 一种基于云模型的卫星姿控系统健康状态评估和预测方法 | |
Valdebenito et al. | A survey on approaches for reliability-based optimization | |
Liu et al. | Bitcoin transaction strategy construction based on deep reinforcement learning | |
CN111753044B (zh) | 一种基于正则化的去社会偏见的语言模型及应用 | |
Liu et al. | A new approach to deal with consistency and consensus issues for hesitant fuzzy linguistic preference relations | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN107122195A (zh) | 主客观融合的软件非功能需求评价方法 | |
US20210090101A1 (en) | Systems and methods for business analytics model scoring and selection | |
CN114066196A (zh) | 一种电网投资策略优化系统 | |
Liu et al. | An R2 indicator and weight vector-based evolutionary algorithm for multi-objective optimization | |
CN114819777A (zh) | 一种基于数字孪生技术的企业销售业务分析管理系统 | |
CN116911994B (zh) | 对外贸易风险预警系统 | |
CN117313549B (zh) | 一种基于定量化组合玻璃替换的光学系统无热化方法 | |
Ding et al. | A unified new-information-based accumulating generation operator based on feature decoupling for multi-characteristic time series forecasting | |
Aven | On how to approach risk and uncertainty to support decision-making | |
CN104679939B (zh) | 一种飞机设计经济可承受性评估过程的多准则决策方法 | |
CN116595880A (zh) | 一种沸腾床渣油加氢装置智能混合建模方法 | |
CN115660425A (zh) | 风偏闪络风险评价方法、系统、设备、可读存储介质 | |
Araujo et al. | Hybrid intelligent design of morphological-rank-linear perceptrons for software development cost estimation | |
CA3160715A1 (en) | Systems and methods for business analytics model scoring and selection | |
Staum | Monte Carlo computation in finance | |
Zheng et al. | Estimating dynamic stochastic decision models: explore the generalized maximum entropy alternative | |
JP2023038838A (ja) | 品質予測装置、品質予測モデル生成装置、品質予測モデル生成方法及びプログラム | |
Amalnik et al. | Cash flow prediction using artificial neural network and GA-EDA optimization | |
Myachin et al. | Fuzzy-logical approach to constructing an integral indicator in a level estimation model significant market advantage |
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 |