[发明专利]基于神经网络算法推演激光参数组合产生强光辐射的方法

说明书

本发明属于强场激光物理技术领域，提供了一种基于神经网络算法推演激光参数组合产生强光辐射的方法，包括：根据低精度步长，基于至少两种不同的激光参数进行组合得到多个参数组合，通过激光辐射数值模型计算出每个参数组合对应的光辐射能量，参数组合作为输入参数，光辐射能量作为输出参数，多组对应数据形成训练数据；将训练数据随机划分为训练集、验证集及测试集；构建神经网络模型；使用训练集及验证集，训练至回归系数R大于预定值M；根据高精度步长，使用训练好的神经网络模型得到最强光辐射能量从而得到产生对应的激光参数组合。本发明在预测光辐射能量方面展现出较高的精度和极高的效率，在光学应用领域具有高使用价值和广阔前景。

技术领域

本发明属于强场激光物理技术领域，具体涉及一种基于神经网络算法推演激光参数组合产生强光辐射的方法。

背景技术

近年来，激光技术发展迅猛，已与多个学科相结合形成多个应用技术领域，比如光电技术，非线性光学，超快激光学，激光雷达，等等。这些交叉技术与新的学科的出现，大大地推动了传统产业和新兴产业的发展。追求强度高、频谱宽的强激光辐射，是目前人们正在极力研究开发的一个领域。

不同参数的激光组合在一起激发会产生不同能量值的光辐射，很多研究小组不断测试各个激光参数对光辐射能量的影响，很多研究小组研究了各个激光参数单独对光辐射能量的影响，但其最佳组合至今还未能被有效获得。目前，对光辐射的能量预测主要以计算为主，通过建立激光辐射数值模型，仿真计算可获得不同激光参数组合下的光辐射能量分布和演变规律，如要获得更加精确的光辐射能量分布，仿真的精度要特别高，而模型所计算的时间也将会随之成倍增加。

近年来，神经网络作为一种数据驱动的方法，已经成为光学问题的一种很有前途的解决方案。它可以通过表示和推广复杂函数或数据揭示大量变量之间的未知关系，并具有并行处理、鲁棒性、自适应性、自学习的特点，能够逼近任意的非线性系统的特性，无需了解系统的内部机理，只需通过对系统的输入输出数据，采用相应的网络结构并进行训练，就可得出良好的预测模型。目前，尚未见用神经网络对光辐射能量进行预测的研究报导。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于神经网络算法推演激光参数组合产生强光辐射的方法，以解决传统激光辐射数值模型计算时间与精度相互制约的问题。此外，本方法涉及的光辐射范围广，可应用于紫外、可见、红外、太赫兹等多个波段，在光学应用领域具有高使用价值和广阔前景。

本发明提供了一种基于神经网络算法推演激光参数组合产生强光辐射的方法，具有这样的特征，包括以下步骤：步骤S1，根据低精度步长，基于至少两种不同的激光参数进行组合得到多个参数组合，通过激光辐射数值模型计算出每个参数组合对应的光辐射能量，参数组合作为神经网络模型的输入参数，对应的光辐射能量作为神经网络模型的输出参数，一个输入参数与其对应的输出参数为一组对应数据，多组对应数据形成训练数据；步骤S2，将训练数据随机划分为训练集、验证集及测试集；步骤S3，构建神经网络模型；步骤S4，使用步骤S2中的训练集及验证集，训练至神经网络模型的回归系数R大于预定值M，得到训练好的神经网络模型；步骤S5，根据高精度步长，使用训练好的神经网络模型得到最强光辐射能量从而得到产生对应的激光参数组合。

在本发明提供的基于神经网络算法推演激光参数组合产生强光辐射的方法中，还可以具有这样的特征：步骤S4包括如下子步骤：步骤S4-1，使用步骤S2中的训练集及验证集，训练至神经网络模型的回归系数R大于预定值M；步骤S4-2，使用步骤S2中的测试集测试回归系数R大于预定值M的神经网络模型，判断该神经网络模型的均方误差MSE是否小于预定值N，若均方误差MSE小于预定值N，则得到训练好的神经网络模型，然后进入步骤S5，若均方误差MSE大于或等于预定值N，则进入步骤S4-1。