基于深度学习的无波前探测自适应光学系统研究进展

近年来自适应光学（AO）系统向着小型化和低成本化趋势发展,无波前探测自适应光学（WFSless AO）系统由于结构简单、应用范围广,成为目前相关领域的研究热点。硬件环境确定后,系统控制算法决定了WFSless AO系统的校正效果和系统收敛速度。新兴的深度学习及人工神经网络为WFSless AO系统控制算法注入了新的活力,进一步推动了WFSless AO系统的理论发展与应用发展。在回顾前期WFSless AO系统控制算法的基础上,全面介绍了近年来卷积神经网络（CNN）、长短期记忆神经网络（LSTM）、深度强化学习在WFSless AO系统控制中的应用,并对WFSless AO系统中各种深度学习模型的特点进行了总结。概述了WFSless AO技术在天文观测、显微成像、眼底成像、激光通信等领域的应用。     

基于模型的无波前探测自适应光学系统

基于波前梯度的二阶矩和修正后的远场强度分布近似呈线性关系,设计了一种基于模型的无波前探测自适应光学系统快速闭环控制算法。使用61单元变形镜、CCD成像器件等建立了自适应光学系统仿真平台,并以不同湍流强度下的波前像差作为校正对象,分析了这种基于模型的无波前探测自适应光学系统的收敛速度、校正能力及对不同像差的适应性。结果表明,基于模型的无波前探测自适应光学系统在快速收敛的同时,能够获得接近波前校正器件的理想校正能力。N阶模式像差校正时,系统只需要进行N+1次远场光斑的测量。和现有的各种无波前探测自适应光学系统控制算法相比较,基于模型的无波前探测自适应光学系统所需的测量次数大大减少。     

基于RUN优化算法的波前校正系统

将龙格-库塔优化器用于无波前探测自适应光学系统，提出基于RUN的自适应光学控制方法。以61单元变形镜为波前校正器件，不同湍流强度下的畸变波前为校正对象，建立基于RUN优化算法的自适应光学系统模型。对比分析基于RUN、PSO、DEA和GA等算法的波前校正效果、校正速度和局部极值。结果表明，相比基于粒子群优化算法、差分进化算法和遗传算法的自适应光学系统，在取得相同校正效果时，基于RUN优化算法的波前校正系统在不同湍流条件下的校正速度均提高三倍以上，且RUN算法不易陷入局部极值。研究结果可为基于RUN优化算法的波前校正系统的实际应用提供理论基础。