Рассмотрено восстановление волнового фронта на основе датчика Шэка–Гартмана с применением комплексной искусственной нейронной сети. Положение пикселей задается на комплексной плоскости. Компьютерный процесс восстановления фазы протестирован на искаженном фронте, полученном в статистической модели турбулентной атмосферы. Обучение сети проводилось с помощью генетического алгоритма. Процесс обладает быстрой сходимостью, устойчивостью к локальным ошибкам и динамической адаптивностью.
датчик Шэка–Гартмана, восстановление волнового фронта, турбулентная атмосфера, комплексные нейронные сети, генетический алгоритм
1. Гурвич А.С., Кон А.И., Миронов В.Л., Хмелевцов С.С. Лазерное излучение в турбулентной атмосфере. М.: Наука, 1976. 277 с.
2. Маракасов Д.А. Структура пространственно-временного спектра лазерного пучка в атмосфере в условиях сильной турбулентности // Оптика атмосф. и океана. 2013. Т. 26, № 5. С. 345–349.
3. Wilks S.C., Morris J.R., Brase J.M., Olivier S.S., Henderson J.R., Thompson C., Kartz M., Ruggerio A.J. Modeling of adaptive optics-based free-space communications systems // Proc. SPIE. 2002. V. 4421. P. 121–128.
4. Wu H., Yan H., Li X. Modal correction for fiber-coupling efficiency in free-space optical communication systems through atmospheric turbulence // Optik. 2010. V. 121. P. 1789–1793.
5. Зельдович Б.Я., Пилипецкий Н.Ф., Шкунов В.В. Обращение волнового фронта при вынужденном рассеянии света // Успехи физ. наук. 1982. Т. 138, вып. 2. С. 249–288.
6. Дмитриев В.Г. Нелинейная оптика и обращение волнового фронта. М.: Физматлит, 2003. 256 с.
7. Лукин В.П. Адаптивное формирование пучков и изображений в атмосфере и океане // Оптика атмосф. и океана. 2009. Т. 22, № 10. С. 937–944.
8. Гаранин С.Г., Голубев А.И., Повышев В.М., Стариков Ф.А., Шнягин Р.А. Исследование возможности повышения эффективности адаптивной системы лазерной установки «Луч» // Оптика атмосф. и океана. 2013. Т. 26, № 5. С. 427–433.
9. Grosset-Grange С., Barnier J., Chappuis C., Cortey H. Design principle and first results obtained on the LMJ deformable mirror prototype // Proc. SPIE. 2007. V. 6584. P. 1–14.
10. Лукин В.П. Атмосферная и адаптивная оптика. Новосибирск: Наука, 1986. 248 с.
11. Lee L.H. Closed-loop field conjugation using decentralized multi-conjugate adaptive optics // Proc. SPIE. 2007. V. 6551. P. 65510Q.
12. Hirose A. Complex-valued neural networks fertilize electronics // Studies in Computational Intelligence. 2006. V. 32. P. 3–8.
13. Hirose A. Complex-Valued Neural Networks. Berlin: Springer, 2006. 176 p.
14. Neal D.R., Copland J., Neal D. Shack–Hartman wavefront sensor precision and accuracy // Proc. SPIE. 2002. V. 4779. P. 148–160.
15. Southwell W. Wave-front estimation from wave-front slope measurement // J. Opt. Soc. Amer. 1980. V. 70, N 8. P. 998–1006.
16. Кутищев С.Н., Головинский П.А. Определение параметров тел простой формы по рассеянию ультракоротких импульсов // Изв. вузов. Радиофиз. 2008. Т. 51, № 6. С. 526–535.
17. Кутищев С.Н., Головинский П.А. Применение нейросетей для определения формы объектов по отражению ультракоротких импульсов // Нейрокомпьютеры: разработка, применение. 2008. № 3–4. С. 108–114.
18. Головинский П.А. Когерентный нейрон и распознавание образов // Проблемы управления. 2006. № 5. С. 86–88.
19. Астапенко В.А., Головинский П.А. Нейронные сети с квантовой интерференцией // Нейрокомпьютеры: разработка, применение. 2012. № 4. С. 3–12.
20. Naruse M., Miyazaki T., Kubota F., Kawazoe T., Kobayashi K., Sangu S., Ohtsu M. Nanometric summation architecture based on optical near-field interaction between quantum dots // Opt. Lett. 2005. V. 30, N 2. P. 201–203.
21. Aizenberg I. Complex-Valued Neural Networks with Multi-Valued Neurons. Berlin: Springer-Verlag, 2011. 262 p.
22. Hirose A. Complex-Valued Neural Networks: Advances and Applications. Hoboken: Wiley-IEEE Press, 2013. 304 p.
23. Шабат Б.В. Введение в комплексный анализ. СПб.: Лань, 2004. 336 с.
24. Hirose A. Application of complex-valued neural networks to coherent optical computing using phase-sensitive detection scheme // Information Sci. 1994. V. 2. P. 103–117.
25. Jalab H.A., Ibrahim R.W. New activation functions for complex-valued neural network // Int. J. Phys. Sci. 2011. V. 6, N 7. P. 1766–1772.
26. Szilagai M.N., Salik B. Neural Networks with complex activations and connection weights // Complex Systems. 1994. V. 8. P. 115–126.
27. Amin Md.F., Islam Md.M., Murase K. Ensemble of single-layered complex-valued neural networks for classification tasks // Neurocomputing. 2009. V. 72. P. 2227–2234.
28. Savitha R., Suresh S., Sundararajan N., Saratchandran P. A new learning algorithm with logarithmic performance index for complex-valued neural networks // Neurocomputing. 2009. V. 72. P. 3771–3781.
29. Chen X., Tang Zh., Li S. An modified error function for the complex-value backpropagation neural networks // Neural Information Processing. 2005. V. 8, N 1. P. 1–8.
30. Калиткин Н.Н. Численные методы. СПб: БЧВ-Петербург, 2011. 592 с.
31. Melanie M. An introduction to genetic algorithms. Massachusetts: MIT Press, 1996. 158 p.
32. Ellerbroek B.L., Cochran G. Wave optics propagation code for multiconjugate adaptive optics // Proc. SPIE. 2002. V. 4494. P. 104–120.
33. Шанин О.И. Адаптивные оптические системы коррекции наклонов. Резонансная адаптивная оптика. М.: Техносфера, 2013. 296 с.