遗传算法优化rbf神经网络自校正控制的初值_太阳自适应光学

相比于夜天文自适应光学技术，太阳自适应光学技术面临两个方面的新挑战：首先是受限于白天更差的大气视宁度条件，太阳自适应光学系统需要更高的空间和时间带宽，这对波前探测和校正器件提出了更高的要求，同时也要求计算能力更强的波前实时处理机；

另一方面，太阳自适应光学系统需要以太阳表面低对比度扩展目标(太阳黑子、米粒等)为信标进行波前探测，基于相关算法的扩展目标波前探测不仅加大了系统波前探测的难度，也进一步加重了波前实时处理机的计算负担。

与传统夜天文自适应光学相比, 太阳自适应光学比较特殊：首先，太阳是面光源，不能使用其他自适应光学系统中的计算一阶矩的波前探测方法来探测畸变，因此，人们提出并研究了相关夏克哈特曼波前探测。

太阳自适应光学系统与夜天文自适应光学系统在波前探测中最大的区别主要包含两点：

1)：目标的差异和        2)：偏移量提取算法的差异。

对于目标来说，夜天文自适应光学更多的是针对点源目标进行光波前畸变探测，而太阳自适应光学中，由于太阳目标的特殊性，无法获取有效的点源目标，更易得到的是太阳黑子，太阳米粒组织等扩展目标。目标的改变使得原有的位移测量算法无法进行有效的位移计算，而相关算法的应用能够轻松解决由于目标差异带来的困惑。

太阳自适应光学系统中最关键的是相关哈特曼波前探测器。和常规计算点光源在夏克哈特曼波前探测器子区域中心的一阶矩方法不同，针对面光源太阳的质心计算方法人们进行了大量研究。

相比质心算法利用光斑强度坐标加权的方法进行位置估计，相关算法则是利用目标形态特征匹配的方式获得估计位置。由于相关算法为模板匹配算法，它具有对噪声不敏感等特性，相对于质心算法而言，具有更好的鲁棒性。一般来说，相关算法为一类算法的统称，最为常用的相关算法包括：互相关因子算法和绝对差分算法。随着太阳自适应光学技术的发展和革新，更多的相关算法被提出和应用，以便更为有效的对光波前畸变进行探测，主要包括：平方差算法，协方差算法，绝对差分平方算法等等。人们还引入插值的方法进一步提高偏移量计算的精度。

在未来的太阳自适应光学系统中, 相位差(PD)算法有可能替代目前唯一有效的相关哈特曼波前算法进行波前探测，即未来的太阳自适应光学系统中有可能不再需要相关哈特曼波前探测器，而采用PD算法探测太阳面光源的波前。

PD算法的精度和速度近年也进展明显，特别是多通道并行读出的EMCCD探测器技术和大规模并行计算的GPU硬件技术的快速发展，已有市售的2 kHz 240×240采样速率的法国OCAM2 EMCCD相机，在2×2 binning模式下采样速率能达到3.7 kHz；英伟达公司的GPU采用了与CPU完全不同的架构，获得几十甚至百倍于GPU的计算能力；这些为PD算法的高速实时应用打下了坚实的硬件基础。

由于相位差(PD)算法最终将转变成一个大规模非线性寻优问题，因此优化算法的选取将直接决定相位差算法的收敛速度和解算精度。

目前相位差法的求解主要分为两种，一种是基于迭代的方法，通过建模可以将波前探测问题转化为对一个非线性目标函数求解最优值的数学问题，进而能够采用迭代算法求解出最优值；另一种是非迭代方法，机器学习就是其中的代表。

迭代算法主要分为两大类：

1)：一类是基于目标函数梯度的算法

例如梯度下降法、共轭梯度法、牛顿梯度下降法、BFGS算法等。此类算法的原理是，从一个初始位置出发，给定步长，沿梯度方向行进，满足当目标函数的梯度逼近0时，此时为最优解。

这些算法沿着目标函数的梯度进行搜索具有较快的收敛速度，但容易陷入局部最优无法求解出全局最优。而且目标函数为非凸函数，或者目标函数导数不易求解时，基于目标函数梯度的算法将无法收敛。

2)：另一类为基于目标函数值的算法

比如模拟退火算法、粒子群算法、遗传算法、禁忌搜索算法、免疫算法以及布谷鸟优化算法等，这些算法均属于全局搜索算法(易得出全局最优解)，但由于并未利用目标函数的梯度信息，因此一般收敛速度较慢。

以上各种迭代算法具有不同的优缺点。相比于其它算法，布谷鸟优化算法模型简单、调节参数少及易于实现，且尤其是在优化参数的维数较大时，相比于其它算法具有更高的解算精度和更快的收敛速度。

为了进一步提高相位差的迭代算法收敛速度，在经典布谷鸟优化算法的基础上，通过改进该算法的步长控制因子，并将其局部搜索位置更新公式与目标函数的梯度信息相结合，产生了一种变步长自适应梯度布谷鸟优化算法，并将其应用于PD算法的求解，进一步提升该算法对相位差算法的求解精度和收敛速度。

基于数值迭代或优化的相位差算法计算量大，效率低，在某些对实时性要求较高的场合应用受到限制(比如自适应光学等)，且对噪声鲁棒性差。另外，在解算大范围波前像差时，该类算法易陷入局部极小值，影响求解准确性。

为解决以上问题，机器学习方法(包括深度学习)被引入焦面波前探测领域(即利用焦面图像求解波前像差的领域)。机器学习方法利用傅里叶光学理论生成的训练数据对网络进行训练，利用其非线性拟合能力，能够建立像差系数与焦面图像之间的映射关系。在应用机器学习方法求解波前像差时，无需迭代，无局部极小值问题。在对机器学习模型进行训练时设置大的像差范围，其便能够在大范围内求解波前像差。

但是，目前机器学习方法在应用于焦面波前探测领域时精度普遍不高。需要对深度学习模型进行深入探索与研究，以提高深度学习方法在焦面波前探测领域的精度与实用性。

为了突破大气非等晕性对传统自适应光学(CAO)校正视场的限制，近年来基于分层探测和校正的大视场自适应光学技术得到极大发展并在太阳高分辨力观测中成功运用，如多层共轭自适应光学、地表层自适应光学等。

1988年，J. M. Beckers 首先提出了多层共轭自适应光学(MCAO)的概念，该技术将大气分成若干层，然后在每一层的共轭位置上放置一块自适应校正镜以校正该层大气引起的波前畸变。MCAO发展的几十年里，理论不断得到发展，基于夏克-哈特曼波前传感器的星向(Star-oriented)波前探测方法和基于四棱锥波前传感器的层向(Layer-oriented)波前探测方法成为了两种主流方法。

然而，对于太阳等扩展目标观测，目前只能基于星向波前探测，并结合大气层析技术，获得不同层大气湍流引起的波前像差。

太阳MCAO系统在某些方面相较于夜天文以及传统AO更加具有挑战性。

1)可见光波段观测

最主要的挑战就是白天具有很差的随时间变化的视宁度，而且太阳天文学家大多数时间在可见光波段观测。由于很差的随时间变化的视宁度以及科学观测必须工作在可见光波段，因此太阳自适应光学系统需要很高的时间和空间校正能力，需要大量的校正单元以及足够的帧频。

2)低对比度扩展目标的波前探测

另一个大的挑战是合适的波前传感器，太阳自适应光学的波前传感器必须能够工作在低对比度，扩展且时变的目标下，比如太阳米粒。用于夜天文的波前传感器不能直接被用于太阳自适应光学系统，因为太阳是扩展目标，不是点源目标。由于太阳米粒是一个随时间变化的低对比度目标，锁定米粒是一个很大的挑战，太阳自适应光学系统中通常使用相关哈特曼波前传感器以及相关算法用于波前斜率的探测。因此，低对比度扩展目标的高精度波前探测及其实现，成为了太阳自适应光学系统研制所面临的最大技术挑战。

3)多视线波前探测以及多变形镜控制

由于MCAO需要对大气进行分层探测，然后进行三维大气波前层析，以及同时控制多块变形镜，无论在波前探测还是在波前复原以及最优化控制上都比传统自适应光学系统更加复杂，其面临的挑战也更多。首先，开展MCAO实验之前必须要知道望远镜上空大气湍流的分层信息，从而决定大气分层数，为系统设计提供参考。其次，在波前探测中，需要同时对来自不同方向上的波前进行探测，利用大气层析技术重构出不同层的大气湍流相位信息。最后，通过波前探测得到的信息，复原出多块变形镜的控制电压，实现最优化控制，整个控制过程必须在极短的时间内完成。

太阳MCAO实时控制器的计算主要包括波前斜率提取，波前复原运算以及控制运算三个部分。斜率计算过程主要是采用相关算法同时探测多个方向上子区域内的波前斜率；波前复原运算则是将子区域的波前斜率转换成波前误差，体现在计算上就是大的矩阵乘法运算；波前控制运算将波前误差转换成各驱动器的电压，主要计算形式是迭代运算。

要提高系统的空间带宽，必须要增加哈特曼波前传感器和变形镜的单元数；要提高系统的时间带宽，又必须要缩短系统的计算延时。然而，系统单元数的增加会导致计算量的增大，计算量的增加会导致延时的增加。如何保证在单元数增加的情况下还能使系统达到原有的实时性，对实时控制器而言是一个十分严峻的考验。

多 视 线 相 关 夏 克 - 哈 特 曼 波 前 传 感 器 (MD-WFS)是太阳MCAO系统中一个十分重要的器件。它可以用于同时探测多个不同方向上的大气湍流信息，每个子孔径拥有的视场是传统哈特曼子孔径视场的几倍。在MCAO中，需要同时对多个不同方向上的波前进行探测，通常情况一个哈特曼波前传感器对应一颗导星，假如使用N颗导星，那么将要使用N个哈特曼波前传感器以及N 台相机，会使得波前处理变得十分复杂。使用一个多视线相关哈特曼波前传感器在每一个大子孔径中选取N个子区域，可以用来代替N个哈特曼波前传感器，而且后端的设计也会变得十分灵活。

GLAO可以看作是MCAO的一种特例，GLAO也需要同时探测多个不同方向上的波前，与MCAO不一样的是，GLAO采用平均波前的方式来探测地表层湍流，然后使用一块变形镜进行校正，而MCAO使用大气层析的方式层析出不同层的大气湍流，然后使用多块变形镜分别进行校正。GLAO 的目的不是为了获得衍射极限分辨率，而是在一个大视场范围内获得一个适当的而且稳定的校正图像(视宁度极限的分辨率)。