这应该属于一篇文章阅读过程中的一些自言自语,欢迎指正。哈哈哈哈哈
19 February 2007 / Vol. 15, No. 4 / OPTICS EXPRESS 1913
在这里的意思,
,
是SLM上第 j 个像素点,在后焦平面的坐标, xm,ym,zm 是以透镜前焦平面为参考的坐标,其中,前焦面为成像面。
是SLM第j个点的相位,也就是对应的全息图吧
让参考光与SLM发生叠加后,第m个光阱点的复振幅:
其中
文章中说这个可以用于添加光阱的自选轨道角动量。。不动的,先不看。
但是说这里引用了一个一维符号,
这个Vm我以为是一个没有前面的一大坨的一个复振幅的写法吧,因为他们说, 所以我也在想,是不是说,这个一个目标图像的亮点值组成的阵列,就是这个
这里的x y 表示坐标,其他的表示是第几个点。
当zm为0的时候。也就是刚刚好在像面的时候,这个Vm可以被看做是, 的傅里叶传播结果,那这个 至于文中提到的(
,
) 应该是角谱。
后面写了一些设定参数,和评价指标
e 可以认为个光阱的总光强,可以被认为是光学利用率吧,u 应该就是均匀度, 是标准偏差百分比。好家伙,不懂,应该不重要暂时不重要。
表示取平均值。后来,文章说了好几种不同的生成全息图的方法。包括,RM 随机编码,superposition of prisms and lenses (S)棱镜和透镜的叠加,Random Superposition (SR) 随机叠加 ,GS算法,GAA算法,GAA应该是自适应算法就是频率的约束条件为:
可想而知,当β为0的时候,GAA就变成了GS算法,文章用的β应该是0.5。 最后一个算法是DS算法 Direct Search algorithm (DS) 直接搜寻算法,应该是改进与SR算法的。 其实GS算法后面有很多改进,(相位恢复算法:原理、发展与应用, 姚保利老师课题组的一篇中文综述)这篇综述中有提到过。 包括GAA, ER, HIO, CHIO, DM. RAAR (综述把这些归为单强度算法!!!值得注意)
最终作者把这几种算法都算了一遍
其中K是迭代次数,P是灰度,M是光阱数量,N 是全息图的像素。我没懂这里的几个参数为什么能作为scaling。
然后作者提出了GSW算法。GSW算法就是加了一个权重因子,应该是类似GAA一样的收敛约束的改变。
最初的设定是1。 后进行迭代,其中这个
的初始值应该是来自于SR算法。
这里的 应该是用于引导
向各个点更加均匀的
收敛。