(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211311661.7 (22)申请日 2022.10.25 (71)申请人 中国科学院光电技 术研究所 地址 610209 四川省成 都市双流3 50信箱 (72)发明人 朱里程　王宁　杨平　高泽宇　 葛欣兰　 (74)专利代理 机构 北京科迪生专利代理有限责 任公司 1 1251 专利代理师 邓治平 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的高鲁棒性波前斜率预 测方法 (57)摘要 本发明公开了一种基于深度学习的高鲁棒 性波前斜率预测方法。 自适应光学系统(AO)是一 类能够实时补偿大气湍流畸变波前的伺服延迟 系统， 通常延迟时间为2～3个采样周期， 波前预 测技术可有效解决该时延问题， 提高系统的控制 性能。 本发 明在于采用较少的先验波前斜率特征 (3帧)预测未来波前斜率(3帧)并保证每帧具有 较为稳定的预测效果， 首先采用残差学习的方式 消除相邻两帧之间由于时序特征而存在的冗余 信息， 然后将精化后的斜率特征融合后输入卷积 长短期记忆网络(ConvLS TM)， 进而利用Conv LSTM 的记忆能力得到未来高鲁棒性的多帧预测结果， 以降低AO系统在应对具有高时间频率的大气湍 流畸变波前时的时延校正 误差， 提高控制性能。 权利要求书2页 说明书5页 附图2页 CN 115495994 A 2022.12.20 CN 115495994 A 1.一种基于深度学习的高鲁棒性波前斜率预测方法， 其特征在于： 该方法包括如下步 骤： 步骤S1： 根据大气冻结流假设， 基于Kolmogorov湍流统计理论、 HV ‑57折射率结构常数 模型和Bu ffton风速模型经过傅里叶级数方法时间演化生成仿真数据， 模拟获得大气湍流 畸变波前； 步骤S2： 对步骤1中收集的畸变波前数据进行预处理， 采用哈特曼波前传感器仿真求解 波前斜率， 将所得斜率数据分为样本集与标签集两组数据； 步骤S3： 配置深度学习环境， 搭建基于 ConvLSTM网络的残差学习预测模型； 步骤S4： 任意抽取样本集与标签集中80％的数据作为训练集， 训练集中的数据须满足 样本与标签相对应， 供网络学习历史波前斜率与预测波前斜率的映射关系， 从数据集剩 下 的20％做为测试集， 用于验证算法有效性； 步骤S5： 利用测试集中样本波前数据进行模型测试， 对输出预测波前斜率与实际标签 波前斜率进行波前复原， 并对复原波前残差进行对比分析， 选取最优 模型结构。 2.根据权利要求1所述的基于深度学习的高鲁棒性波前斜率预测方法， 其特征在于： 所 述步骤S1 中Kolmogor ov湍流统计理论即为在惯 性区域内大气折射率结构函数满足 “三分之 二定律”。 3.根据权利要求1所述的基于深度学习的高鲁棒性波前斜率预测方法， 其特征在于： 所 述步骤S3中利用Spyder软件进行基于 ConvLSTM网络的残差学习预测模型 搭建。 4.根据权利要求1所述的基于深度学习的高鲁棒性波前斜率预测方法， 其特征在于： ConvLSTM主要包含一个记忆单元和三个控制门： 输入门、 输出门和忘记门， 其关键控制公式 如下： it＝σ(Wixxt+Wihht‑1+Wicct‑1+bi) ft＝σ(Wfxxt+Wfhht‑1+Wfcct‑1+bf) ot＝σ(Woxxt+Wohht‑1+Wocct‑1+bo) ct＝ft*ct‑1+tanh(Wcxxt+Wchht‑1+bc) ht＝ot*tanh(ct) 其中， it、 ft、 ct和ot分别表示输入门、 忘记门、 记忆单元和输出门， Wix、 Wih和Wic是在最后 时刻和记忆单元输出到输入门的权重矩阵， Wfx、 Wfh和Wfc是在最后时刻和记忆单元输出到忘 记门的权重矩阵， Wox、 Woh和Woc是在最后时刻和记忆单元输出到输出门的权重矩阵， bi、 bo、 bf 和bc分别为输入门、 输出门、 忘记门和记忆单元的偏置值， σ 是S型类函数， tanh是双曲切线 函数，“*”表示卷积 操作， ht为最后输出； 预测过程如下： F1＝σ(ω2*Concat(F1,F1)+b2) (ct1,ht1)＝ConvLSTM_Cel l(F1,F1) F2＝σ(ω2*Concat(F2,ht1)+b2) (ct2,ht2)＝ConvLSTM_Cel l(F2,ct1) F3＝σ(ω2*Concat(F3,ht2)+b2) (ct3,ht3)＝ConvLSTM_Cel l(F3,ct2) P1＝σ(ω3*ht1+b3)权　利　要　求　书 1/2 页 2 CN 115495994 A 2P2＝σ(ω3*ht2+b3) P3＝σ(ω3*ht3+b3) 其中， σ 表示激活函数， 即PReLU函数， Concat表示连接操作， (ω2,b2)和(ω3,b3)分别为1 ×1卷积层的权值和偏差， “*”表示卷积操作， ConvLSTM_Cell为上述ConvLSTM网络的关键控 制过程， 最终的目标 预测值为P1、 P2和P3。 5.根据权利要求1所述的基于深度学习的高鲁棒性波前斜率预测方法， 其特征在于： 所 述步骤S5中残差分析的评价指标为复原波前残差的均方根(RMS)值。权　利　要　求　书 2/2 页 3 CN 115495994 A 3