基于深度卷积神经网络的大气湍流相位提取

摘要

cqvip: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^-13 m^-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.