相干合成中基于SPGD算法的平移误差和倾斜误差控制

随机并行梯度下降算法(SPGD)是控制多路激光束的相位锁定,实现相干合成的一种有效方式。在分析平移误差和倾斜误差对相干合成(CBC)影响的基础上,建立2×2排布的光束模型探讨了该算法中的增益系数和扰动幅值对平移误差和倾斜误差控制的影响,并对增益系数的优化进行了分析。研究结果表明,要提高相干合成的效果,必须同时校正平移误差和倾斜误差;随着增益系数和扰动幅值的增加,SPGD算法的收敛速度加快,但计算精度降低,系统会发生振荡;自适应更新增益系数是一种有效的参数优化方式,可很好平衡算法收敛速度和计算精度问题。为大型固体短脉冲激光装置中基于SPGD算法进行相干合成研究提供了理论参考。     

空间光波前畸变校正中SPGD方法的自适应优化

为了提高传统随机并行梯度下降 (Stochastic Parallel Gradient Descent, SPGD) 算法校正波前畸变的性能,提出了一种基于AdaBelief优化器的新型SPGD优化算法。该算法将深度学习中AdaBelief优化器的一阶动量和二阶动量集成到SPGD算法中以提高算法的收敛速度,并使得算法能够自适应地调整增益系数。 此外,对实际增益系数进行自适应动态裁剪以避免因实际增益系数出现极端值而造成的震荡。仿真结果表明:在37单元变形镜 (Deformable Mirror, DM)下,新型SPGD优化算法能够对不同湍流强度下的波前畸变实现有效校正,不同波前畸变经过校正后的斯特列尔比(Strehl ratio, SR)分别提升至0.83、0.47和0.31。此外,该算法在不同湍流强度下的SR仅仅需要149、229和230次迭代达到阈值,与传统SPGD算法及其他优化算法相比有更快的收敛速度,且在稳定性和参数调节方面也具有一定的优越性。     

基于随机并行梯度下降算法的多级波前校正技术

为提高基于随机并行梯度下降(SPGD)箅法的高分辨率自适应光学(AO)系统的有效校正带宽,提出了分级SPGD波前校正的方法.在每一级SPGD波前校正中,将高分辨率波前校正器的控制单元按位置分成多组.每一组都施加相同的控制电压作为一个控制变量.采用的校正级越高,独立的控制变量的数目也越多.多级SPGD自适应光学系统按从低到商的等级顺序对畸变波前进行校正.以一个具有16×16控制单元的分立活塞式波前校正器为基础建立了基于3级SPGD波前校正的自适应光学系统的数值模型,并针对大气湍流引起的某一帧随机相位屏做了模拟校正实验.结果表明采用分级波前校正后收敛速度提高了23%,此方法确实提高了基于随机并行梯度下降算法的自适应光学系统的有效校正带宽.     

变增益随机并行梯度下降算法及其在相干合成中的应用

将一种改进的变增益系数自适应随机并行梯度下降(SPGD)控制算法应用到大阵列光纤激光相干合成中,计算不同增益系数对算法收敛速度的影响程度,分析判断该方法的控制带宽、控制时间与合成光束质量、合成路数的关系以及其应用于大规模阵列相干合成的可行性。计算结果显示,在7束光纤激光相干合成中,该方法由于采用了变增益系数的控制策略,相比于传统的固定增益系数SPGD算法,具有收敛速度快、控制带宽高、适用于多组束光纤激光相干合成等优点。将该方法应用在37束、91束和100束光纤激光阵列锁相中,也得到了快速的收敛效果,采用自适应SPGD算法分别将收敛速率提高了37.8%、63.8%和75.0%,说明该方法在合成路数较大时优势更加明显,进一步表明其具备向大阵列光束相干合成扩展的潜力。     

一种新的自适应增益盲优化算法提高自由空间光通信性能

由于大气湍流的影响,光束在大气中传输时产生 严重畸变,造成自由空间光(FSO)通信链路 性能恶化。为了提高系 统性能,构建了基于盲优化自适应光学的FSO通信系统,提出了一种新的自适应 增益随机并行梯度下降(SPGD)优化 算法。数值模拟结果表明,本文算法对大气湍流引起的波前误差进行实时补偿,能 够达到 很好的校正效果,比固定增益优化算法具有更好的收敛速度和精度。     

空间光波前畸变校正中的元启发式SPGD算法

为了改善传统随机并行梯度下降(Stochastic Parallel Gradient Descent, SPGD)算法收敛速度慢且容易陷入局部极值的问题,提出了一种元启发式随机并行梯度下降(Meta-Heuristic SPGD, MHSPGD)算法。该算法将SPGD算法和元启发式算法的开发与探索两步结合,首先利用SPGD算法的梯度下降搜索得到局部最优解,然后进行邻域搜索得到局部最优区域以外的可能最优解,通过所有解性能指标的比较来确定新的迭代起点。随着搜索范围的自适应扩展,该算法能够避免陷入局部极值并趋向收敛于全局最优。同时,为了避免重复搜索,建立了记忆表来记录迭代过程中产生的次最优解。搭建了无波前探测器自适应光学系统模型,运用所提算法对不同湍流强度下的波前畸变进行了仿真校正,并针对不同Zernike阶数的像差进行了仿真实验。在三种湍流强度下,MHSPGD算法所能达到的斯特列尔比(Strehl Ratio, SR)分别为0.7621、0.6554、0.3749,相比于SPGD算法分别提升了0.1%、2%和18.6%。此外,当畸变中含有较多高阶成分时,文中所提优化算法相比传统的SPGD算法,SR收敛到0.6所需的迭代次数减少了约47%,且SR收敛极限值也提升了约9.4%。结果表明:与三种主流优化算法相比,MHSPGD在保持较快收敛速度的同时,能够在各种湍流强度下达到更高的收敛极限,有效地解决了算法的局部收敛问题。     

随机并行梯度下降算法用于次镜校准的仿真研究

将随机并行梯度下降(SPGD)算法应用于共轴三镜系统次镜,无需进行误差测量,可直接通过调节次镜的6个自由度,寻求评价函数的最优值,从而简化了次镜的校准。分析了影响随机并行梯度下降算法校正速度的主要因素,并对其进行优化。仿真计算结果表明,在各参量选取合适的情况下,系统峰谷值及均方根显著改善,从而验证了SPGD算法用于校准次镜的可能性。     

基于随机并行梯度下降算法的望远镜静态像差校正

为校正大口径量子通信望远镜的静态像差,提高接收信号光的能量集中度,提出了基于随机并行梯度下降(SPGD)算法的静态像差校正方法。该方法不同于经典的自适应光学校正方法,无需波前传感器,可有效降低系统的复杂性。对SPGD算法进行了分析,在此基础上利用64单元变形镜和CCD探测器搭建了校正平台,并将该校正平台应用到青海湖量子通信地面站望远镜系统,对700mm望远镜的静态像差进行了校正,远场光斑直径由校正前的58μm改善为30μm,验证了SPGD算法对望远镜波前畸变校正的可行性。     

随机优化蚁群算法在空战决策中的应用

空战决策是多机协同多目标攻击的关键技术。在传统蚁群算法基础上,对其搜索机制进行了改进,提出了一种随机优化蚁群算法,并将其应用于空战决策。建立了空战威胁数学模型,给出了产生随机排列的"随机补0"法,有效优化了蚁群的搜索机制。仿真结果表明这种随机优化蚁群算法克服了传统蚁群算法局部收敛的缺陷,特别是空战规模较大时更显示出其较快的收敛速度和全局收敛能力。     

析取随机森林算法研究

本文通过引进前向反馈模型的概念提出析取-随机森林算法,该方法将析取随机森林模型中决策树的学习方法进行改进,引入全局损失函数的概念,从而增加单个决策树每个节点之间的联系以影响下个节点的分类情况.改进后的模型可以达到减少训练时间和使最后训练得到的随机森林收敛速度更快、预测结果更为准确的目的.     

基于随机并行梯度下降算法的湍流像差校正仿真

随机并行梯度下降(SPGD)算法可不依赖波前探测直接优化系统性能指标来校正畸变波前.建立了基于随机并行梯度下降算法控制的61单元湍流校正仿真模型,实现了通过该算法控制倾斜镜和变形镜对湍流引起的像差的校正.结果发现,该算法能够找到补偿湍流像差所需的倾斜镜和变形镜的最优面形.采用SPGD算法控制,倾斜镜校正后,远场光斑质心...     

自适应增益的SPGD算法

SPGD算法是一种应用广泛的无波前探测自适应光学控制算法。传统SPGD算法中增益系数保持某一固定值不变,随着变形镜单元数的增加,这将导致算法收敛速度变慢及陷入局部极值的概率增大。Adam优化器是深度学习常用的一种优化随机梯度下降算法,它具有增益系数自适应性调整的特点。将Adam优化器自适应调整增益系数的优势与SPGD算法结合起来用于自适应光学系统控制。分别以32、61、97、127单元变形镜作为波前校正器件,不同湍流强度的波前像差作为校正对象,建立了无波前探测自适应光学系统模型。结果表明,优化后的算法收敛速度更快,而且陷入局部极值的概率降低,并且随着变形镜单元数的增加与湍流强度的增大,算法的优势更加明显。以上研究结果为基于Adam优化的SPGD算法的实际应用提供了理论基础。     

基于SPGD算法的激光大气传输湍流效应校正的初步研究

随机并行梯度下降算法(SPGD)是近年来广泛发展的一种无模型优化控制算法,它具有速度快、无需信标光等优点,得以运用于自适应光学系统中.利用相位屏法数值模拟激光大气传输过程,以61单元变形镜为校正器,采用SPGD算法对激光大气传输湍流效应进行了初步校正研究,研究表明: SPGD算法可以用在自适应光学系统中用于校正激光大气传输湍流效应引起的畸变,且不同参数如扰动幅度值、增益系数的选取对校正效果有一定影响,文中给出了不同传输情况下的仿真计算结果.     

基于普适模型的无波前探测自适应光学系统仿真与分析

为了提高基于普适模型的无波前探测自适应光学(AO)算法的收敛性能,建立了一套基于Zernike模式的127单元变形镜AO系统仿真模型。以峰值斯特列尔比(Sr)和提出的快速稳定收敛百分比为评价标准,研究不同湍流强度下扰动系数、Zernike模式数、斜率因子对校正效果和收敛速度的影响,验证了该仿真系统对静态畸变波前良好的校正能力。结果表明,扰动系数小于0.01时系统可以稳定收敛;增加Zernike模式数可以提高系统收敛时的Sr,但同时收敛速度会有所降低。提出的改进矢量化斜率因子,可以有效提升系统在一次迭代后的校正效果,特别是对大畸变波前具有较强的适应性。     

基于随机并行梯度下降算法光纤放大器相干合成的动态模拟与控制带宽分析

对随机并行梯度下降(SPGD)算法校正时变相位噪声的动态过程进行数值模拟,计算不同强度和频率的相位噪声对控制带宽的影响程度,分析控制带宽与光束数目以及算法执行速度之间的关系.计算结果表明,随着相位噪声强度和频率的增加,算法的控制带宽随之减小,带宽大小与参与合成的光束数目N的-4/3次方成正比,与算法执行速度成线性关系.计算结果可为SPGD算法应用至多路高功率光纤放大器相干合成提供参考.     

基于局部梯度的神经网络非均匀性校正算法

为了解决传统神经网络算法在用于红外焦平面阵列(Infrared Focal Plane Array,IRFPA)非均匀性校正(Non-Uniformity Correction,NUC)时所面临的边缘模糊、收敛速度慢等问题,通过引入图像局部梯度特性对该算法进行了改进。通过用局部梯度相似度信息构造权值函数来对区域进行加权滤波,可以保留图像边缘信息。在迭代运算中,将梯度幅值加权的自适应参数规整因子加入了误差损失函数,并引入梯度幅值相关的自适应步长用以代替传统的固定步长,从而进一步提升了算法的校正效果和收敛速度。然后对算法的性能曲线和校正结果进行了分析。结果表明,与传统算法相比,改进的神经网络校正算法取得了更好的校正效果,其校正误差稳定低于前者,实现了有效抑制边缘模糊和提升收敛速度的目标。     

求解Logit随机用户均衡问题的改进人工鱼群算法

针对人工鱼群算法求解大型优化问题时存在探索能力差以及搜索盲目性大的缺点,设计一种定向搜索变异的改进人工鱼群算法,该算法在迭代过程中不仅保证鱼群在当前状态下能够自适应变异,并且还可以使其向当前最优位置移动。随后将这种改进人工鱼群算法应用于求解Logit随机用户均衡问题,构建了随机用户均衡交通分配问题新的模型和求解方法。仿真结果表明,该方法具有较好的稳定性和收敛速度,具有在大型城市交通分配问题中应用的潜力。     

基于自然选择策略的蚁群算法求解TSP问题

针对蚁群算法收敛速度慢,容易陷入局部最优解的缺陷,提出了一种基于自然选择策略的改进型蚁群算法,改进后的算法利用自然选择中“优胜劣汰”的进化策略,对每次迭代的随机进化因子大于进化漂变阈值的路径信息素进行二次更新,增强满足进化策略路径上的信息素浓度,以加快算法的收敛速度;而随机进化因子的随机性增强了算法跳出局部最优解的概率。将提出的改进型蚁群算法求解经典的TSP问题,并通过实验证明了改进后的蚁群算法在最优解精度和收敛速度等方面均有所提高。     

基于SURF-DAISY算法和随机kd树的快速图像配准

提出了一种基于SURF-DAISY算法和随机kd树的快速图像配准方法,首先利用经典SURF特征检测器分别提取参考图像和待配准图像中的特征点,为了进一步提高算法速度,对SURF算法进行改进,利用DAISY描述符代替SURF原有的特征描述算法对特征点进行描述;之后通过随机kd树算法对参考图像和待配准图像的特征点进行匹配并且使用经典RANSAC(随机抽样一致性)算法剔除误匹配点对;最后用最小二乘法估算出最佳的空间几何变换参数,实现两幅图像的配准。实验结果表明:相对于标准的SURF算法,本文方法在基本保持性能不变的同时,配准过程所消耗的时间最多减少了45.6%。     

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题，文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解，从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力，同时防止算法早熟。仿真结果表明，相较于对比算法，文中所提算法的收敛精度和收敛速度都有所提升。