[发明专利]一种基于深度学习的大气湍流实时补偿方法及系统

权利要求书

1.一种基于深度学习的大气湍流实时补偿方法，其特征在于，包括以下步骤：

将两束光分别处理生成X偏振方向的涡旋光和Y偏振方向的参考光后合束；

对合束的光中X偏振方向的光和Y偏振方向上的光分别加载相同的大气湍流相位屏；

将带有相同的大气湍流相位信息的合束的光进行分束，并检测得到分束的光中Y偏振方向上的光的光强分布图；所述分束的光中X偏振方向上的涡旋光束，用以观察补偿前和补偿后的效果；

根据分束的光中Y偏振方向上的光的光强分布图，利用训练好的卷积神经网络对大气湍流相位屏进行预测得到预测到的大气湍流相位屏；

将预测到的大气湍流相位屏取反并加载到合束的光上，以对X偏振方向上的光进行实时的大气湍流补偿；

所述训练好的卷积神经网络采用如下步骤得到：

将受湍流影响的高斯光光强分布图和未受湍流影响的标准高斯光光强分布图作为卷积神经网络的输入，对卷积神经网络进行训练；

当损失函数值达到预设阈值时，得到训练好的卷积神经网络；

所述损失函数为：

其中，L(·)表示损失函数，θ表示权值参数，x表示高斯探针光的光强分布图，x_i表示第i个高斯探针光的光强分布图，y表示数值仿真的大气湍流相位屏，y_i表示第i个数值仿真的大气湍流相位屏，f(·)表示预测的大气湍流相位屏，Relu(·)表示激活函数，a表示常数因子，m表示高斯探针光的光强分布图的数目，∑表示求和符号；

所述预测到的大气湍流相位屏为：

其中，表示预测到的大气湍流相位屏，θ_opt＝min(L(f(x,θ),y))，min表示取最小操作。

2.根据权利要求1所述的基于深度学习的大气湍流实时补偿方法，其特征在于，所述将两束光分别处理生成X偏振方向的涡旋光和Y偏振方向的参考光后合束步骤具体包括：

将一束光依次经过X方向起偏器、涡旋光产生装置得到X偏振方向的涡旋光，将另一束光经过Y方向起偏器后得到Y偏振方向的参考光，并将X偏振方向的涡旋光和Y偏振方向的参考光合束。

3.一种基于深度学习的大气湍流实时补偿系统，其特征在于，包括：

涡旋光和参考光产生装置，用于将两束光分别处理生成X偏振方向的涡旋光和Y偏振方向的参考光后合束；

湍流相位屏加载装置，用于对合束的光中X偏振方向的光和Y偏振方向上的光分别加载相同的大气湍流相位屏；

光强检测装置，用于将带有相同的大气湍流相位信息的合束的光进行分束，并检测得到分束的光中Y偏振方向上的光的光强分布图；所述分束的光中X偏振方向上的涡旋光束，用以观察补偿前和补偿后的效果；

湍流预测和补偿装置，用于根据分束的光中Y偏振方向上的光的光强分布图，利用训练好的卷积神经网络对大气湍流相位屏进行预测得到预测到的大气湍流相位屏；并将预测到的大气湍流相位屏取反并加载到合束的光上，以对X偏振方向上的光进行实时的大气湍流补偿；

所述湍流预测和补偿装置还用于将受湍流影响的高斯光光强分布图和未受湍流影响的标准高斯光光强分布图作为卷积神经网络的输入，对卷积神经网络进行训练；且当损失函数值达到预设阈值时，得到训练好的卷积神经网络；

所述损失函数为：

其中，L(·)表示损失函数，θ表示权值参数，x表示高斯探针光的光强分布图，x_i表示第i个高斯探针光的光强分布图，y表示数值仿真的大气湍流相位屏，y_i表示第i个数值仿真的大气湍流相位屏，f(·)表示预测的大气湍流相位屏，Relu(·)表示激活函数，a表示常数因子，m表示高斯探针光的光强分布图的数目，∑表示求和符号；

所述预测到的大气湍流相位屏为：

其中，表示预测到的大气湍流相位屏，θ_opt＝min(L(f(x,θ),y))，min表示取最小操作。

4.根据权利要求3所述的基于深度学习的大气湍流实时补偿系统，其特征在于，所述涡旋光和参考光产生装置具体用于将一束光依次经过X方向起偏器、涡旋光产生装置得到X偏振方向的涡旋光，将另一束光经过Y方向起偏器后得到Y偏振方向的参考光，并将X偏振方向的涡旋光和Y偏振方向的参考光合束。