[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

说明书

本发明涉及基于卷积神经网络的大功率激光装置输出波形预测方法，属于大功率激光装置技术领域，在各条光路上设立监测点，提取波形数据及其对应的能量数据，选择指定光路，剔除异常数据，预处理波形数据，形成输入输出数据集，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，将下一发次的预设数据集输入到训练后的卷积神经网络模型，得到预测输出波形，本发明对各光路的实际输出波形进行精准预测，为装置的参数配置、计划调整、资源配备提供决策支持，从而通过调整输入波形与整形模块参数的手段，满足物理实验对各光路间输出波形的要求。

技术领域

本发明属于大功率激光装置技术领域，具体地说涉及基于卷积神经网络的大功率激光装置输出波形预测方法。

背景技术

大功率激光装置属于庞大复杂的大科学工程，其包括数十条光路，并要求各光路的输出能量和功率保持平衡，对各路输出波形也有着严格的要求。为满足上述要求，各条光路的结构与参数需要进行严密的设计，但是，由于每条光路内包括数以百计的光学元件与电气元件，元件在生产、加工、装校的过程中难免出现微小差异，而微小差异的累加会造成各光路的输出性能不同于其设计值，即存在一定偏差。并且，大功率激光装置的工作状态仅为一个单发、持续时间为数皮秒的脉冲，工作时间极短，成本极高，不能通过实时监控的方式对其进行测量与调整。

对于长期从事物理实验的工程人员来说，长期累积的经验使他们对波形的整形变化规律具有一定的敏锐度，能够通过前几次实验发次的测量结果从直觉上判断下一次实验发次的波形输出结果。一方面，人的直观预测没有理论依据，受主观情绪影响较大，预测趋势可能与真实趋势接近，但预测数值结果会与真实数值偏差较大，预测存在不准确性。另一方面，数十条光路需要对其输出波形进行预测，并对其输入波形进行调整，人的计算与反应速度有限，单靠工程人员难以高效地完成此项任务，无法解决实时性问题。此外，激光传输波形变化的过程可以依照物理模型进行仿真模拟，但用该方法计算出来的为理论设计结果。装置在实际运行过程中，测量波形与理论波形之间存在偏差，而理论模型无法预测该偏差。偏差的存在就会导致波形产生一些难以预测的变化，例如出现高频跳变、产生正弦调制、存在拖尾现象等。若各光路输出波形不能满足物理实验的辐照要求，实验效果会不理想，甚至导致实验失败。同时，大功率激光装置对光束能量起到放大作用，光路输出端的能量可达几千焦耳，在波形上微小的偏差比例也会造成较大的波形偏差数值。因此，需要设计一种能够精准预测各光路输出波形的方法。

发明内容

随着人工智能技术的发展，深度学习尤其是神经网络技术掀起了一股浪潮。深度学习受到人脑神经元的启发建立一套分层模型结构，对输入数据逐层提取特征，能很好地建立底层信号到高级语义的映射关系，在分类及回归问题上有很多应用。卷积神经网络作为目前应用最广泛的的深度学习方法之一，在诸多问题，例如图像识别、目标分类与定位等问题上有着稳定而有效的应用。

本发明针对现有技术的不足，提出了基于卷积神经网络的大功率激光装置输出波形预测方法，能够从实验数据中学习到输入、输出波形之间实际的映射关系，根据下一发次的指定输入波形，自动预测输出波形，预测结果较准确，减轻工程人员工作强度，对运维决策提供支持帮助。

为实现上述目的，本发明提供如下技术方案：

基于卷积神经网络的大功率激光装置输出波形预测方法，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；

步骤S2、将待预测输出波形的光路定义为指定光路，剔除异常数据，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；