本文是一篇计算机论文，本文对基于深度学习的无波前传感自适应光学控制方法进行研究，设计基于融合空频域信息特征的相位反演网络，开发基于神经网络的闭环预测控制器，通过数值模拟的方式验证方法的有效性，为未来自适应光学领域的波前控制算法提供设计思路。
第一章绪论
1.1研究背景与意义
1.1.1自适应光学简述
在地基天文观测领域，遥远星光穿过厚厚的大气时，受湍流影响微观上发生抖动漂移，经过曝光后扩散形成较大光斑，宏观上则表现为“闪烁现象”，导致大口径地基望远镜成像分辨率与天文爱好者的手持望远镜成像分辨率近似一致，难以达到其理论极限[1]。在自由空间光通信领域，激光穿越大气层，受大气湍流、折射、散射吸收等影响发生光束抖动、光强闪烁、光束扩展和像点抖动，导致接收端功率起伏、耦合效率降低和误码率上升，通讯带宽受限。在高能激光武器领域，激光作用于靶目标的效能E与激光功率P成正比，与全系统广义光束质量因子β的平方成反比[2]。高功率激光传输至靶目标过程中，持续受到谐振腔内热效应、传输介质畸变、热晕、散射折射等因素影响发生畸变，光束质量急剧下降，造成目标处光斑扩散聚焦功率降低，制约作战效能发挥。以上场景存在一个共同特点，即原始光束经过非均匀介质发生波前相位畸变，导致光学系统成像或聚焦性能变差。解决上述问题的工程手段之一是自适应光学[3]（Adaptive Optics，AO），通过增加自适应光学元件以补偿相位畸变，稳定光学系统状态。
自适应光学起源于天文观测，1953年由美国天文学家Babcock首先提出设想[4]。限于当时技术条件，自适应光学技术直到20世纪70年代才真正开始起步，经过半世纪发展现已演变为集光学、电子信息、机械、自动控制和计算机等于一体的新兴综合技术[3]。自适应光学的应用使得光学系统首次具备主动适应外界变化能力，能够补偿湍流、组织样本、散射介质等引起的像差，显著提升光束质量，因而广泛应用于天文观测[5-8]、激光通讯[9-11]、显微成像[12-13]、激光核聚变[14-15]等领域。
1.2研究现状
上一节阐述自适应光学的相关背景及研究意义，指出当前自适应光学技术是抑制湍流效应的有效手段，具有十分重要的研究价值和应用价值，并简要阐述基于波前传感和无波前传感自适应光学的优缺点。在当前人工智能飞速发展背景下，自适应光学与深度学习技术的结合，有望大幅提升系统性能。本节将针对自适应光学发展现状进行总结，重点总结无波前自适应光学传统控制方法和基于深度学习方法的研究现状，最后给出无波前传感自适应光学关键技术分析，为后续技术攻关指明方向。
1.2.1传统控制技术研究现状
无模型优化系统直接采用各种盲优化算法作为系统控制算法，如随机并行梯度下降[40]、模拟退火算法[41]、遗传算法[42]等，其核心思想是在电压空间内随机搜索使得图像质量评价指标最优的控制信号。其中，随机并行梯度下降算法（StochasticParallel Gradient Descent，SPGD）[43]是应用最为广泛、研究最成熟的校正算法。当前无模型迭代优化算法研究大多集中在对SPGD算法设计调整上，通过设置自适应学习率、引入迭代算子等方式调整迭代过程中的微小扰动量，收敛速度有所提升。2016年，Anzuola等[44]进行SPGD算法与M-SPGD算法的性能比较，使用单模光纤中的耦合效率作为性能指标，通过模拟动态大气湍流下的校正来比较两种算法的性能，与传统的SPGD相比，M-SPGD算法具备更快的收敛速度。文献[45]提出一种ASPGD算法利用动量和自适应的增益系数加快收敛速度，使迭代次数减少50%，显著提高收敛速度。2021年，Ma等[46]将SPGD算法与自适应梯度理论结合起来应用到激光光束净化领域，算法迭代步骤减少40%。无模型算法的优势在于其能够全局校正波前像差，不依赖于特定的系统模型，适用范围更广。然而，这类算法由于系统模型未知，求解电压过程转变为盲迭代搜索过程，校正速率较低，尤其在高动态环境中，难以满足快速响应的需求。
第二章理论基础
2.1大气湍流畸变原理
2.1.1大气湍流模型
光束在大气中传输时，除了大气散射和吸收，大气湍流是其主要影响因素。湍流主要是由于温湿度、风速、重力等因素导致局部大气密度产生差异，进而引起不同位置处折射率的随机变化。这些起伏的折射率变化相当于引入众多透镜，导致光束传播过程中发生漂移、闪烁等现象[60]。目前应用最为广泛的是1941年苏联物理学家安德烈·柯尔莫哥洛夫（Andrey Kolmogorov）等人建立的经典大气湍流统计特性模型，即Kolmogorov湍流模型[17]。该模型广泛应用于大气科学、海洋学、工程学等领域，用于预测湍流现象。它使用能量级联过程描述湍流能量在不同尺度涡旋的转移过程，其基本思想是将大气看作为各向同性、局部均匀的平稳随机过程[61]。
从图2.1可以看到，Kolmogorov湍流模型将湍流视为不同尺度的介质能量流动：湍流外尺度L0（最大涡旋尺度，一般在几米到几百米之间）、惯性子区、湍流内尺度l0（最小涡旋尺度，一般在几毫米到几十厘米之间）。能量从大尺度涡旋逐渐传递到小尺度涡旋，直到最小尺度（耗散尺度），最终通过摩擦粘性耗散掉。在大气中，湍流涡旋通过循环生成和消散实现能量转移，从而导致随机的湍流运动。这种不规则的运动引起局部折射率的随机变化，进而导致光束漂移、散斑和光强起伏等现象发生。
第三章 无波前传感自适应光学仿真环境 .................. 32
3.1 引言 ............................... 32
3.2 仿真系统组成 ................................ 32
3.3 大气湍流相位屏仿真 ................ 32
第四章 基于相位差法的深度相位反演算法研究 ................................ 39
4.1 引言 .......................... 39
4.2 基于卷积神经网络的波前反演框架 ............................................ 39
4.3 基于空频域融合自监督深度相位反演网络 ................................ 40
第五章 基于伪开环的深度预测控制算法研究 .................................... 50
5.1 引言 .......................... 50
5.2 伪开环预测控制 .......................... 50
第五章基于伪开环的深度预测控制算法研究
5.2伪开环预测控制
5.2.1自适应光学控制模型
自适应光学系统通常以闭环负反馈的方式运行，即波前传感器或探测器相机通常放置在波前校正器之后，系统测量值是波前校正器校正后的波前残差。相比开环状态，闭环负反馈工作方式可以减少对探测器件动态范围的要求，保证系统能够实现稳定工作。自适应光学系统典型的信号流动如图5.1所示。波前传感器测量残余波前畸变，随后进行波前重构复原和控制指令计算。控制电压信号经过数模转换驱动波前校正器产生需要补偿的波前。无波前传感自适应光学则使用光电耦合器件（Charge-Coupled Device，CCD）捕获远场畸变图像，然后通过相位反演算法重构波前。
从图5.1可以看出波前控制器是整个系统的控制中枢，作用是接收和处理来自传感器的反馈信息，将复原的残余电压经过控制算法计算出驱动器的控制电压。波前控制器的性能直接影响整个自适应光学系统的补偿能力和响应速度。为实现高效的波前校正，自适应光学系统通常采用标准的泄露积分器（Leaky Integrator，以下简称积分器）作为其控制器[32]。泄露积分器是一种广泛应用于自适应光学中的反馈控制策略，其优点在于能够在保持系统稳定性的同时，提供足够的增益来纠正波前误差。
第六章结论与展望
6.1研究工作总结
论文主要围绕无波前传感自适应光学控制展开，将深度学习算法应用到无波前传感自适应光学技术当中，实现基于深度学习的波前相位反演网络和闭环预测控制器，从大量的数据中捕获规律，通过数值仿真的方式验证了算法模型的有效性，在一定程度上克服传统算法存在的不足与缺陷。主要研究内容和研究结论总结如下：
一是回顾自适应光学的起源、发展及应用现状，介绍自适应光学系统的组成和基本原理，给出基于波前传感器和无波前传感自适应光学的优缺点。针对无波前自适应光学的控制算法（SPGD算法和GS算法），分析算法工作过程，指出其存在的缺点：缺乏全局搜索机制、迭代耗时长、易于陷于局部最优等，总结无波前传感自适应光学控制技术的两大关键技术：波前相位恢复和波前预测校正。同时，简要描述深度学习发展概况，介绍常见的基本概念和网络架构，随后详细分析当前深度学习技术在自适应光学领域的应用现状，并总结其存在的主要缺点：速度精度有待提高、黑盒模型依赖标签数据集、与传统光学物理模型结合弱。以上缺点导致网络可解释性、泛化性和可靠性都不高，现实应用场景下受限。因此针对深度学习在无波前传感自适应光学领域的应用研究还有较大研究空间，为后文技术攻关指明方向。
二是构建无波前传感自适应光学系统仿真模型。论文从典型的自适应光学系统组成出发，按照光束路径分别对湍流相位屏、波前校正器、成像相机等进行建模仿真。首先介绍当前应用最广泛的Kolmogorov大气湍流模型，给出大气相干长度、折射率常数等衡量湍流畸变强度指标，随后采用功率谱反演法构建湍流相位屏。然后，介绍常见的波前校正器（变形镜）的相关原理及建模方法，给出相机远场成像的正向物理模型及光强计算方法。为解决相位反演中的多解问题，基于相位差法同时采集离焦面和在焦面远场光强图像，重点介绍离焦面光强图像生成过程及计算公式。最后，完成整个仿真系统搭建，为后续研究提高一个可复用的实验仿真平台。
参考文献（略）