买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：一种基于机器学习的可变形镜控制方法及装置，简单高效、通用性强，能较高精度地控制可变形反射镜生成复杂面形，且能合理评估模型在不同应用场景下的有效性，从而指导变形镜在各应用中更有效地实现复杂的波前校正及像差补偿。方法包括：1检测可变形镜的基本特性；2用多种模式控制可变形镜，采集数据集中电压数据；3采集、表征与处理数据集中面形数据；4搭建全连接神经网络控制模型的基本框架；5优化全连接神经网络控制模型的结构超参数；6训练全连接神经网络控制模型；7实验测试面形控制精度。

主权项：1.一种基于机器学习的可变形镜控制方法，其特征在于：其包括以下步骤：1检测可变形镜的基本特性：首先，根据按照不同基本特性的特点，确定变形镜驱动方案及合适的特性评价指标；再按照该方案驱动可变形镜，并采集下每次变形后的面形；经过表征和处理面形数据，计算出相应特性的评价指标数值，以评估当前可变形镜是否足以提供基于机器学习的控制方法所需的硬件条件，并提供针对性调整；2用多种模式控制可变形镜，采集数据集中电压数据：首先，根据使用的变形镜驱动机理和待补偿波前的特点进行选定一种或多种变形镜驱动器的控制模式，每种控制模式包括多种驱动器的权重分配方式和总电压的限制区间，产生不同种类和幅度的变形镜面形；先从确定所需的所有模式中选择一种，并用当前所选的控制模式中的各种权重分配方式依次驱动变形镜；对每种权重分配方式都施加连续变化的总电压，改变变形镜的变化幅度，直至最大限制电压；直到当前控制模式中所有权重类型采集完毕，再更换控制模式重复上述过程；每次驱动过程中，将总电压与分配的权重相乘计算出每次驱动过程的各驱动器的电压数据，记录为一维向量的形式；根据实际应用需求，选择将多种控制模式的数据分别单独存储为各自的数据集，还是混合存储为一个数据集；3采集、表征与处理数据集中面形数据：将采集到的二维可变形镜面形数据，表征为一维的特征向量，再通过处理获取去除平移、倾斜等由装调误差引入的干扰量；将处理后的面形数据记录并导入数据集；4搭建全连接神经网络控制模型的基本框架：先分配数据集，再初步选定全连接网络的结构超参数，并确定模型在训练、验证、测试各环节的多种分析评价指标；5优化全连接神经网络控制模型的结构超参数：从步骤4结构超参数中选择优化变量，根据一般规律设置合适的初始值，便于后续优化；并将可以评估神经网络模型控制精度的指标作为优化的目标函数；选择优化算法迭代更新优化变量的数值，用每次更新后的优化变量建立神经网络框架，重新训练，计算得到新的目标函数值；并用目标函数的变化趋势指导优化变量的更新，反复迭代，直到目标函数值达到最优不再变化，将此时的优化变量值作为最终的结构超参数，形成最优的结构框架；6训练全连接神经网络控制模型：对训练超参数随训练进程分阶段动态调整，将总训练过程划分为多个阶段，从第一阶段开始逐段调整训练参数，根据训练效果进行筛选；在当前阶段参数已经调至最优后，保持此阶段参数不变，再调整筛选出下一阶段的训练参数；满足各阶段的训练需求并跳出局部最优，以提升训练效果和模型训练精度；7实验测试面形控制精度：首先，确定面形控制精度的评价指标；再将测试集的真实电压和预测电压依次施加到可变形镜上获取的目标面形和实际面形，将两个面形点对点相减可以获取差异面形，再通过差异面形的参数计算面形控制精度。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于机器学习的可变形镜控制方法及装置