面向边界层数据的数据驱动合成波前生成

如大气湍流和光学效应等扰动会导致波前失真，在成像和激光传播应用中会降低性能。自适应光学(AO)通过在传播前对波前进行预补偿来缓解这些效应。然而，AO系统的开发和测试需要波前失真数据，而获取这些数据在成本和难度上都较高。仿真方法可用于更经济地生成此类数据。对于大气湍流，Kolmogorov-Taylor 模型提供了良好定义的功率谱，可与已知的角谱方法结合以生成合成相屏。然而，由于光学效应无法类似地概括，这种过程无法应用于光学相关现象。本文引入了 ReVAR(Re-Whitened Vector Auto-Regression)，一种用于数据驱动的光学相屏生成的新型算法。ReVAR 在实验中获取的时序、空间上相关的波前图像数据上进行训练，然后生成能够捕捉实验数据中统计特性的合成数据。ReVAR 的第一训练步骤提炼出输入图像的一组预测权重和残差。随后一步称为“再白化”，使用空间主成分分析(PCA)对这些残差进行白化处理。ReVAR 然后使用白噪声生成器并逆转前述转换，以构建合成时序数据。该算法计算效率高，能够生成任意长度的合成时序数据，经测试在湍流边界层(TBL)数据（来自风洞实验）上 produces 高质量结果。使用测量数据进行训练，ReVAR 生成的数据的时间功率谱密度(TPSD)与实验数据数据的 TPSD 几乎一致。