[发明专利]基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法

权利要求书

1.基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，其特征在于：包括以下步骤：

S1、得到有标注的源域样本*X_s,Y_s+；执行步骤S2；

S2、得到无标注的目标域样本得到有标注的目标域样本执行步骤S3；

S3、根据有标注的源域样本*X_s,Y_s+得到源域数据集，根据无标注的目标域样本和有标注的目标域样本得到目标域数据集；基于源域数据集和目标域数据集训练网络，通过反向传播算法对模型参数进行优化，得到完成训练的网络；执行步骤S4；

步骤S3包括以下步骤：

S31.将共享参数的源域网络和目标域网络作为双流网络，判断源域网络和目标域网络是否满足收敛条件或者到达最大迭代次数，否则执行S32，是则执行S35；

S32.将源域数据集和目标域数据集分别随机乱序后分为多个小型批次数据集，形成源域批数据和目标域批数据；执行步骤S33；

S33.将源域批数据和目标域批数据分别输入源域网络和目标域网络，利用反向传播算法结合损失函数更新各个网络参数；执行步骤S34；

损失函数定义为：

l＝MSE+λl_CORAL

其中MSE为均方差误差；MSE如下式所示：

其中：分别为源域网络和目标域网络的预测值；为有标注的目标域样本数量；n_s为有标注的源域样本数量；

协方差损失l_CORAL如下式所示：

其中，表示平方矩阵Frobenius范数；C_s,C_t分别表示源域和目标域特征的协方差矩阵，d为样本向量空间维数；

λ为用于平衡泽尼克系数预测与分布对齐间的强度的超参数；

S34.利用梯度下降算法对模型参数进行更新，并判断参数是否收敛，是执行S35，否执行S32；

S35.输出完成训练的网络；执行步骤S4；

S4、将图像输入S35得到的完成训练的网络，输出预测的泽尼克系数，执行步骤S5；

S5、根据步骤S4预测的泽尼克系数计算波前相位，并利用波前矫正器进行波前补偿实现校正。

2.根据权利要求1所述的基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，其特征在于：步骤S34包括：

参数更新形式为：

其中，α为学习率，为偏导数运算符，表示在t时间步中，第k层第i个参数的值。

3.根据权利要求2所述的基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，其特征在于：

源域网络和目标域网络均包括输入层-卷积层-池化层-卷积层-池化层-卷积层-卷积层-卷积层-池化层-全连接层-适应层。

4.根据权利要求3所述的基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，其特征在于：

第1层输入层的设置特征图数为1；第2层卷积层的特征图数为32，并设置卷积核大小为5；第3层池化层设置下采样尺寸为2；第4层卷积层的特征图数为32，并设置卷积核大小为5；第5层池化层设置下采样尺寸为2；第6层卷积层的特征图数为64，并设置卷积核大小为3；第7层卷积层的特征图数为64，并设置卷积核大小为3；第8层卷积层的特征图数为64，并设置卷积核大小为3；第9层池化层设置下采样尺寸为2；第10层全连接层设置神经元个数为512；第11层适应层设置神经元个数512；第12层输出层设置神经元个数为21，对应2-22个泽尼克系数。

5.根据权利要求4所述的基于深度迁移学习预测波前泽尼克系数的自适应光学波前补偿方法，其特征在于：

超参数λ为7。