Dense-1D-U-Net:用于自参考光谱干涉飞秒脉冲相位测量

超快激光脉冲形状宽度测量的核心是光谱相位的精确测量。本文提出了一种结合深度学习的自参考光谱干涉(SRSI)方法，并用该方法进行了飞秒脉冲相位的测量。该方法基于针对一维信号的Dense-1D-U-Net神经网络，采用经典的编码-解码网络结构并加入稠密连接和跳跃连接来提高网络的性能。结合SRSI法的特点，本文设计出结合了稠密连接块的Dense-1D-U-Net神经网络。基于大量接近真实光谱相位的模拟光谱相位数据可以发现，基于Dense-1D-U-Net的SRSI算法的计算结果的均方根误差相比传统SRSI算法至少降低一个数量级。与有无稠密连接、跳跃连接的对照组神经网络进行对比，分析了Dense-1D-U-Net的优势。最后用实验测量数据验证了使用模拟数据训练的Dense-1D-U-Net具有计算实验数据的能力。Dense-1D-U-Net神经网络未来可以拓展应用到超快光谱等其他一维信息研究领域。