基于深度学习的主动光学校正算法研究

主动光学是现代大型反射式光学望远镜领域的一项关键技术,能够有效减少像差,提升成像质量,然而,现有校正算法严重依赖系统的响应矩阵和物理参数;由于实际望远镜系统的误差具有一定的随机性和非线性,往往难以获得精确的响应矩阵和物理参数模型,从而导致校正精度不理想或者需要多次校正.针对这些问题,提出一种不依赖响应矩阵和物理参数模型的深度学习校准(DLCM)算法.该算法借助深度神经网络强大的预测和自学习能力,建立校正算法所需的动力学模型网络、策略网络和决策单元,只需要结合相应设备就可以让控制系统自动学习并自动优化,从而完成镜面校正工作.最后,使用ANSYS有限元仿真对DLCM算法进行验证,结果表明,本文算法能够快速精准地完成校正工作,并且,无论校准速度还是校准精度,均优于传统校准算法.