[发明专利]基于深度学习的超短激光脉冲相位预测方法及其系统

权利要求书

1.一种基于深度学习的超短激光脉冲相位预测方法，其特征在于，该方法包括以下步骤：

(1)选定固体介质，通过含时薛定谔方程获得理论脉冲传输数据，通过脉冲相位测量装置获得实验数据，所述理论脉冲传输数据与所述实验数据构成训练数据；

(2)建立深度学习神经网络模型，设置模型参数；

(3)将步骤(1)得到的训练数据输入步骤(2)建立的深度学习神经网络模型，对深度学习神经网络模型进行训练和优化；

(4)将待测脉冲通过固体介质前后的光谱信息和能量信息导入步骤(3)得到的深度学习神经网络模型中，预测脉冲通过介质前后的相位信息。

2.根据权利要求1所述的方法，其特征在于，步骤(1)包括以下步骤：

(A)选定固体介质，在含时薛定谔方程中输入固体介质参数；

(B)根据待测超短激光脉冲激光中心波长，改变入射脉冲初始相位、光谱参数进行理论数据生成；

(C)改变超短激光脉冲初始参数，进行传输实验，通过激光脉冲相位测量装置测量相位，获得多组实验数据；

(D)将步骤(B)生成的理论数据及步骤(C)获得的实验数据作为训练数据。

3.根据权利要求1或2所述的方法，其特征在于，步骤(1)中，所述固体介质为对待测脉冲透明的固体材料；优选选自以下一种或多种：蓝宝石、石英玻璃、CaF₂、YAG、YVO₄、PPLN。

4.根据权利要求1至3中任一项所述的方法，其特征在于，步骤(1)中，所述脉冲相位测量装置选自以下一种或多种：自参考光谱干涉装置、分辨光学开关装置、自参考光谱相干电场重建装置、色散扫描装置；优选为自参考光谱干涉装置。

5.根据权利要求1至4中任一项所述的方法，其特征在于，步骤(2)中，所述深度学习神经网络模型使用空洞卷积神经网络，其模型选自以下一种或多种：前馈神经网络，霍普菲尔网络，马尔可夫链，玻尔兹曼机；优选为前馈神经网络；

激活函数选自以下一种或多种：逻辑函数Sigmoid，双曲正切函数tanh，线性整流函数ReLU，指数线性函数ELU，三角函数SIREN；优选为三角函数SIREN；和/或

所述模型连接出射入射光谱数据、入射脉冲参数、模拟脉冲相位信息、实验预测量脉冲信息，通过监督学习对模型进行训练，建立出入射光谱信息与待测脉冲相位信息之间的映射关系。

6.根据权利要求1至5中任一项所述的方法，其特征在于，步骤(3)中，数据输入深度学习神经网络模型之前对数据进行降维分类处理。

7.一种基于深度学习的超短激光脉冲相位预测系统，其特征在于，所述超短激光脉冲相位预测系统采用权利要求1至6中任一项所述方法进行超短激光脉冲相位预测，且所述超短激光脉冲相位预测系统包括：超短脉冲激光器、光学平台、光谱采集装置、激光脉冲相位测量装置、激光强度测量装置、显示器及主机；

其中，所述光谱采集装置、激光强度测量装置、实验台和显示器均与所述主机电性连接，所述超短脉冲激光器安装在所述光学平台上。

8.根据权利要求7所述的超短激光脉冲相位预测系统，其特征在于，所述超短脉冲激光器发射的激光脉冲宽度为飞秒量级；和/或

所述超短脉冲激光器发射的激光脉冲的中心波长选自全波段。

9.根据权利要求7或8所述的超短激光脉冲相位预测系统，其特征在于，所述激光脉冲相位测量装置选自以下一种或多种：自参考光谱干涉装置、频率分辨光学开关装置、自参考光谱相干电场重建装置、色散扫描装置；优选为自参考光谱干涉装置。

10.根据权利要求7至9中任一项所述的超短激光脉冲相位预测系统，其特征在于，所述光谱采集装置包括：工作在对应波段的光谱仪，光谱采集软件。