[发明专利]一种激光脉宽的优化神经网络提取方法

权利要求书

1.一种激光脉宽的优化神经网络提取方法，其特征在于，所述方法包括如下步骤：

步骤1：利用非平衡式迈克尔逊干涉光路及半导体双光子吸收效应进行强度自相关测量，得到光电信号；

步骤2：将采集到的带有电噪声的强度自相关信号分离出时间序列t和信号值序列I；

步骤3：利用Python第三方深度学习工具包构建一个优化的神经网络模型，以时间序列t作为模型训练的输入，I作为模型训练的标签值，强度自相关信号数据是一个二元组(t,I)，t和I分别表示时间序列和信号值序列；

S＝(t，I),S_i记作强度自相关信号中的第i对时间和信号值；

ΔS_i表示第i次预测信号与真实信号数据之间的偏差；

构建的优化神经网络模型包括如下步骤：

步骤3-1：设置神经网络模型参数，输入与输出层皆为一个神经元，隐藏层层数以及每一层的神经元数量则以用户实际情况具体设置，设置迭代次数Epoch和性能参数Performance，利用是否到达阈值控制模型训练的终止条件，然后将以时间序列t作为模型训练的输入，I作为神经网络模型训练的标签值对模型进行有监督训练；

步骤3-2：在神经网络模型中定义一个随机重启函数，并设置参数，在步骤3-1的模型训练过程中，当迭代次数超过一定值时，会重新初始化各参数，重新进行训练；

步骤3-3：生成一个新的高采样率的时间序列t’，时间范围刚好覆盖一个完整脉冲，将时间序列t’送入生成好的神经网络模型，获得新的信号值序列I’；

步骤4：对新的信号值序列I’进行隔直处理，得到纯交流信号I”，再对其进行半高宽分析，最后利用置零算法精确提取脉宽。

2.根据权利要求1所述的一种激光脉宽的优化神经网络提取方法，其特征在于，每次生成的时间序列t’与采集的真实信号的时间序列t增量不同，而且时间序列t’的总长度小于真实信号的时间序列t长度。