[发明专利]一种基于全光神经网络的自适应光学系统

说明书

本发明涉及一种基于全光神经网络的自适应光学系统，属于自适应光学系统技术领域，包括全光神经网络解算器、光伏转换阵列和高压放大器，本发明采用由光学衍射板构成的全光神经网络解算器对目标光束进行解算调制，转换为驱动变形镜的光信号，替代传统自适应光学系统中的波前传感、信号解算、数模转换等器件，其响应带宽可达到KHz量级，能够满足非合作目标场景下的高带宽波前控制要求，同时，由光路取代了传统的电路，以极低功耗和极高的响应速度实现目标光束至变形镜驱动电信号的运算，达到实时波前校正的效果，可应用于军事等对光束波前校正有高响应带宽要求的场景中。

技术领域

本发明属于自适应光学系统技术领域，具体地说涉及一种基于全光神经网络的自适应光学系统。

背景技术

鉴于激光对传输通道位相的敏感性，大气湍流等效应引起的位相扰动会导致激光束波面的扰动，严重降低激光束的聚焦性能，因而限制了激光作为远距离作战手段的能力发挥。为了解决大气湍流波前扰动的问题，可对光束波前进行校正的自适应光学(AO)技术应运而生。典型的自适应光学波前控制系统主要由波前传感器、控制处理器、波前校正器等三个基本部分构成一个基本的闭环控制系统，如图1所示。波前传感器的功能是对光束通道的位相信息进行检测；控制处理器根据波前传感器提供的检测数据，通过控制解算算法，给出控制反馈信息；波前校正器根据控制处理器反馈的信息，对光束波前进行补偿控制，从而使光束波前得到校正与改善。

目前，大气传输自适应光学波前控制存在两个关键技术难点：第一、无信标非合作目标场景下，难以通过波前传感器直接获得光学通道相位信息，而往往通过测量光束强度分布来解算相位，解算过程耗时严重。第二、闭环控制带宽要求极高，由于流体力学效应，高速运动物体会在其表面形成一层非稳态的、快速变化的流体层，又称附面层。附面层的气动光学效应引起的位相扰动，其频响特性达到KHz量级。焦斑检测、波前检测和斜率检测等当前主流的波前传感方案均必须能够有信标光的配合，直接对光学通道的波前进行监测，因而无法适用于非合作目标的场景。对于非合作目标，需采用基于目标成像的反卷积迭代算法，获得激光发射通道的位相信息，因而在数据处理环节需面对二维数字图像的运算。基于数字信息系统的深度学习神经网络，可以通过训练获得接收图像与控制响应之间的解算关系，但无法规避模数转换、数据传输、运算等费时的环节，因而难以实现KHz量级的控制带宽。综上所述，攻克非合作目标场景下的高带宽波前控制技术是当前大气传输自适应光学系统亟待解决的关键、迫切问题。

发明内容

发明人在长期实践中总结发现：光学通道的位相信息将会以成像光学系统的点扩展函数的形式体现在对目标成像的二维图像信息中，因此，可以采用深度学习神经网络智能算法捕获其中隐藏的光学通道位相信息，同时，只要有足够多的训练样本和基本合理的神经网络模型，就可以实现相当高的控制精度。而基于纯光学途径的深度学习神经网络构造方法可以“光的速度”进行控制解算，规避控制解算环节的数字转换、传输、运算等耗时较长的过程，以对目标成像获得的二维图像信息为输入，以“光的速度”进行控制解算，输出以光束强度表征的控制参量模拟量，直接通过光电探测器模拟信号驱动高压放大器，进而驱动变形镜，完成波前闭环控制。

为实现上述目的，本发明提供如下技术方案：

一种基于全光神经网络的自适应光学系统，包括：

全光神经网络解算器，目标光束经变形镜反射至全光神经网络解算器，解算成以光束强度定义的变形镜驱动量信息，所述目标光束为由目标发射的或反射的光束；

光伏转换阵列，其用于将变形镜驱动量信息转换成弱电模拟信号；

和高压放大器，其用于对弱电模拟信号进行放大，以驱动变形镜各单元做出校正动作。

优选的，所述全光神经网络解算器由多块光学衍射板组成，且多块光学衍射板对齐且间隔设置。

优选的，所述光学衍射板的面形由神经网络训练算法生成，并利用光刻技术在其玻璃表面刻蚀而成。