基于深度卷积神经网络的大气湍流相位提取

• 作者: 刘俊敏 周新星 徐启伟 曾镇佳 李瑛 王佩佩 范滇元 陈书青 黄泽斌
• 来源期刊: 物理学报
• 关键词: 大气湍流 相位提取 深度卷积神经网络 Gerchberg-Saxton算法
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 电磁学、光学、声学、传热学、经典力学和流体动力学
• 页码范围: 280-290
• 页数: 11页
• 字数: 5540字
• 语种: 中文
• DOI: 10.7498/aps.69.20190982

摘要

光束在自由空间中传播时容易受到大气湍流的影响,其对传输光束的影响相当于附加一个随机噪声相位,导致传输光束质量下降.本文提出了一种基于深度卷积神经网络(convolutional neural network,CNN)的湍流相位信息提取方法,该方法采用受湍流影响的光强图为特征提取对象,经过对海量样本进行自主学习后,CNN的损失函数值收敛到0.02左右,其在测试集上的平均损失函数值低于0.03.训练好的CNN模型具有很好的泛化能力,可以直接根据输入的光强图准确提取出湍流相位.利用I5-8500 CPU,预测Cn2=1×10-14m-2/3,Cn2=5×10-14 m-2/3和Cn2=1×10-13m-2/3三种湍流强度的湍流相位所需要的平均时间低至5×10-3 s.此外,CNN的湍流相位提取能力可以通过提高计算能力或者优化模型结构来进一步提升.这些结果表明,基于CNN的湍流相位提取方法能够有效的提取湍流相位,在湍流补偿、大气湍流特性研究和图像重构等方面具有重要的应用价值.