[发明专利]基于卷积神经网络的大功率激光装置输出波形预测方法

权利要求书

1.基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，包括以下步骤：

步骤S1、在各条光路上设立监测点，提取测量数据，并分光路分发次存储测量数据，所述测量数据包括波形数据及其对应的能量数据，波形数据存储为txt文件，以光路命名，存储在以发次编号命名的文件夹中，根据选择的指定光路与发次读取数据，波形数据以行向量的形式进行表示，绘制波形图像时，横坐标为时间，纵坐标为功率，能量数据存储为excel文件，根据波形数据在excel文件中查找对应的指定光路、指定位置、发次的能量数据，波形数据和能量数据在其对应的特征维度进行归一化；

步骤S2、将待预测输出波形的光路定义为指定光路，依赖能量数据识别异常数据，并剔除异常数据对应的波形数据，将指定光路的指定位置的波形数据进行预处理；

步骤S3、将预处理后的波形数据与指定光路的波形积分组合成向量，形成输入输出数据集，将输入输出数据集按比例分为训练数据集、验证数据集与测试数据集；

步骤S4、搭建卷积神经网络模型，利用训练数据集对卷积神经网络模型进行迭代优化，直至达到终止条件；

步骤S5、将下一发次的预设输入波形数据及输入波形积分输入到训练后的卷积神经网络模型，得到下一发次的预测输出波形。

2.根据权利要求1所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，所述步骤S1中，将波形数据根据其对应的能量数据缩小调整为0到1之间的数值，以保证迭代过程收敛。

3.根据权利要求1或2所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，所述步骤S2中，预处理依次包括部分波形反转、去除本底噪声、波形截取和归一化。

4.根据权利要求3所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，计算波形数据的最大值、最小值并比较绝对值，绝对值较大者的正负表示波形数据的正反，当绝对值较大者为负数时，需要将波形数据取反，保证脉宽范围内的波形数据均为正值。

5.根据权利要求4所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，在部分波形反转后，保证脉宽范围内的波形数据均为正值的前提下，将脉宽范围外的波形数据中的所有负值置零，去除本底噪声。

6.根据权利要求5所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，计算波形数据的一阶导数，导数绝对值最大与最小的位置即为波形的上升沿与下降沿，上升沿前一个脉宽时间长度的位置作为截取波形的起始点，下降沿后一个脉宽时间长度的位置作为截取波形的终止点。

7.根据权利要求6所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，根据采样间隔对波形数据的横坐标进行尺度变换与平移变换，使输入波形与输出波形具有相同的时间尺度，且输入波形与输出波形的上升沿与下降沿分别对齐；

根据能量数据对波形数据的纵坐标进行尺度变换，使测量时带有衰减系数的纵坐标恢复为带有功率物理含义的数值。

8.根据权利要求7所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，输入波形对于时间的积分作为波形积分，将对应发次的波形积分与预处理后的波形数据以行向量的形式形成输入数据样本，将多个发次的输入数据样本排列，形成输入数据集，将对应发次的输出波形数据纵向排列形成输出数据样本，将多个发次的输出数据样本排列，形成输出数据集，将输入、输出数据样本按时间顺序排列形成输入输出数据集。

9.根据权利要求8所述的基于卷积神经网络的大功率激光装置输出波形预测方法，其特征在于，搭建基于二维U-Net改进的一维U-Net卷积神经网络模型。