[发明专利]基于机器学习的激光大气湍流传输特性分析方法

摘要

本发明公开一种基于机器学习的激光大气湍流传输特性分析方法。本方法首先在不同外界传输条件下，执行接收光信号强度起伏归一化方差测量操作，创建多层前向神经网络的训练样本集；然后用创建出的训练样本集训练多层前向神经网络，使多层前向神经网络逼近接收光信号强度起伏归一化方差与外界传输条件之间的函数关系；最后使用多层前向神经网络来获得特定外界传输条件下的接收光信号强度起伏归一化方差。由于本方法使用无量纲参量作为多层前向神经网络的输入，因此本方法建立的多层前向神经网络可以用于预测那些没有开展过实验测量的外界传输条件下的接收光信号强度起伏归一化方差。

主权项

1.一种基于机器学习的激光大气湍流传输特性分析方法，其特征在于：首先选定激光大气湍流传输路径，设置发射平面上的高斯激光束半径、发射平面上的高斯激光束波前曲率半径和接收孔径半径参数，分别在不同时间段内执行接收光信号强度起伏归一化方差实验测量操作，记录每次执行实验测量操作时的外界传输条件对应的向量[Λ₀,Θ₀,Ω_G,Ω_r0,η,η′]的值以及测量得到的接收光信号强度起伏归一化方差把它们作为一个样本添加到训练样本集中，其中Λ₀表示菲涅耳比，Θ₀表示曲率参数，Ω_G表示接收孔径菲涅耳数，Ω_r0表示相干长度菲涅耳数，和分别表示用于等效传输路径上的连续大气湍流对光传输的影响的三个随机相位屏的有效折射率结构常数；在执行接收光信号强度起伏归一化方差实验测量操作时，除了改变时间段外，也需改变发射平面上的高斯激光束半径、发射平面上的高斯激光束波前曲率半径和接收孔径半径参数，从而获得不同外界传输条件下的接收光信号强度起伏归一化方差测量结果，把每一个外界传输条件及在其下获得的接收光信号强度起伏归一化方差测量结果作为一个样本添加到训练样本集中；用训练样本集中的所有样本训练多层前向神经网络，使多层前向神经网络逼近接收光信号强度起伏归一化方差与Λ₀、Θ₀、Ω_G、Ω_r0、η、η′之间的函数关系；在分析激光大气湍流传输特性时，根据要分析的激光大气湍流传输系统的发射平面上的高斯激光束半径、发射平面上的高斯激光束波前曲率半径和接收孔径半径参数，以及考虑的大气折射率结构常数路径廓线，计算出向量[Λ₀,Θ₀,Ω_G,Ω_r0,η,η′]的每个分量的值，把向量[Λ₀,Θ₀,Ω_G,Ω_r0,η,η′]作为多层前向神经网络的输入，多层前向神经网络的输出就是分析得出的接收光信号强度起伏归一化方差；双向光波大气湍流传输的光强起伏方差与到达角起伏方差测量系统和激光大气湍流传输的接收光信号强度起伏归一化方差测量系统并排放置；双向光波大气湍流传输的光强起伏方差与到达角起伏方差测量系统包括收发端机A和收发端机B；激光大气湍流传输的接收光信号强度起伏归一化方差测量系统包括激光发射端机、光学接收子系统、光电探测器和计算机；激光发射端机发射的激光进入大气湍流信道后到达光学接收子系统的接收孔径，光学接收子系统接收到的光信号入射到光电探测器上，光电探测器输出的信号传送到计算机的信号采集卡上；根据双向光波大气湍流传输的光强起伏方差与到达角起伏方差测量系统获得的测量数据，可以计算出用于等效传输路径上的连续大气湍流对光传输的影响的三个随机相位屏的有效折射率结构常数，进而获取外界传输条件参数η和η′的值；激光大气湍流传输的接收光信号强度起伏归一化方差测量系统用于测量接收光信号强度起伏归一化方差；本方法的第一部分执行接收光信号强度起伏归一化方差测量操作，创建多层前向神经网络的训练样本集，具体步骤如下：Step101：选定一条长度为L的大气湍流传输路径PATH1，激光发射端机位于路径PATH1的A端，光学接收子系统位于路径PATH1的B端；激光发射端机发射的高斯激光束的光波波数为k；沿垂直于路径PATH1的方向把路径PATH1平移距离Ds，得到路径PATH2，收发端机A位于路径PATH2的A端，收发端机B位于路径PATH2的B端；令训练样本集为空；Step102：令n₁＝0，n₂＝0，n₃＝0；执行如下操作：Step102‑1：令x₁＝‑b₁+n₁δ₁，x₂＝b₂+n₂δ₂，x₃＝‑b₃+n₃δ₃，b₁为一个正实数，b₂为一个小于1的实数，b₃为一个正实数，δ₁＝2b₁/N₁，δ₂＝2(1‑b₂)/N₂，δ₃＝2b₃/N₃；计算Θ₀＝x₂，计算W₀＝[2L/(kΛ₀)]^1/2，F₀＝L/(1‑Θ₀)，W_G＝[2L/(kΩ_G)]^1/2；把激光发射端机发射的高斯激光束的半径调节为W₀，把激光发射端机发射的高斯激光束的波前曲率半径调节为F₀，把光学接收子系统的圆形接收孔径的半径调节为W_G；Step102‑2：在时间段DUR内，每间隔H小时，执行步骤Step102‑2‑1至步骤Step102‑2‑3的操作：Step102‑2‑1：使激光大气湍流传输的接收光信号强度起伏归一化方差测量系统正常工作；使双向光波大气湍流传输的光强起伏方差与到达角起伏方差测量系统正常工作；Step102‑2‑2：计算机通过信号采集卡以f_s赫兹的频率对光电探测器输出的信号A001进行采样，得到NUM个信号A001的采样值A002，计算这NUM个信号A001的采样值A002的归一化方差与此同时，使用双向光波大气湍流传输的光强起伏方差与到达角起伏方差测量系统结合大气湍流折射率结构常数路径廓线近似测量方法，测量出用于等效传输路径上的连续大气湍流对光传输的影响的三个随机相位屏的有效折射率结构常数和记录测量得到的从收发端机A传到收发端机B的光波的到达角起伏方差计算Step102‑2‑3：创建一个新样本A003，令新样本A003对应的输入向量为[Λ₀,Θ₀,Ω_G,Ω_r0,η,η′]，令新样本A003对应的期望输出的接收光信号强度起伏归一化方差为归一化方差把新样本A003添加到训练样本集中；Step102‑3：如果n₁小于N₁，则令n₁＝n₁+1并转步骤Step102‑1，否则令n₁＝0并转步骤Step102‑4；Step102‑4：如果n₂小于N₂，则令n₂＝n₂+1并转步骤Step102‑1，否则令n₂＝0并转步骤Step102‑5；Step102‑5：如果n₃小于N₃，则令n₃＝n₃+1并转步骤Step102‑1，否则转步骤Step103；Step103：训练样本集创建操作结束；本方法的第二部分使用本方法的第一部分创建的训练样本集来训练多层前向神经网络，使多层前向神经网络逼近接收光信号强度起伏归一化方差与Λ₀、Θ₀、Ω_G、Ω_r0、η、η′之间的函数关系，具体步骤如下：Step201：创建一个多层前向神经网络，多层前向神经网络的输入层有六个输入结点，多层前向神经网络的输出层有一个输出结点；Step202：把训练样本集中的每个样本对应的输入向量[Λ₀,Θ₀,Ω_G,Ω_r0,η,η′]的六个分量的值分别作为多层前向神经网络的六个输入结点的输入，把每个样本对应的期望输出的接收光信号强度起伏归一化方差作为多层前向神经网络的期望输出，实现对多层前向神经网络的训练，使多层前向神经网络逼近接收光信号强度起伏归一化方差与Λ₀、Θ₀、Ω_G、Ω_r0、η、η′之间的函数关系；本方法的第三部分使用本方法的第二部分的多层前向神经网络来获得特定外界传输条件下的接收光信号强度起伏归一化方差，具体步骤如下：Step301：指定传输距离L、光波波数k、发射平面上的高斯激光束的半径W₀、发射平面上的高斯激光束的波前曲率半径F₀、接收孔径的半径W_G，计算Λ₀＝2L/(kW₀²)、Θ₀＝1‑L/F₀、Ω_G＝2L/(kW_G²)；指定大气折射率结构常数沿传输路径的廓线C_n²(z)，z表示离传输路径上的激光发射端的距离，计算球面波大气相干长度：计算计算其中计算和Step302：把步骤Step301得到的Λ₀、Θ₀、Ω_G、Ω_r0、η、η′组合成输入向量[Λ₀,Θ₀,Ω_G,Ω_r0,η,η′]作为本方法的第二部分得到的多层前向神经网络的输入，多层前向神经网络的输出就是对应的接收光信号强度起伏归一化方差。