大规模变形镜模型的稳态控制与机器学习
系统与控制
2019-11-19 v1 机器学习
系统与控制
最优化与控制
光学
机器学习
摘要
我们使用机器学习（ML）与系统辨识验证方法来估计自适应光学（AO）系统中使用的大规模变形镜（DM）的神经网络模型。为获取训练、验证与测试数据集，我们模拟了面板材 DM 的逼真大规模有限元（FE）模型。所估计的模型复现了带外生输入的自回归向量（VARX）模型的输入输出行为，并可用于高性能 AO 系统的设计。我们解决了模型阶数选择与过拟合问题。我们还提供了一种基于 FE 的方法来计算产生所需波前形状的稳态控制信号。该方法可用于预测不同致动器间距与配置下的稳态 DM 校正性能。所提方法在具有数千状态变量与数百致动器的模型上进行了测试。数值仿真在低成本高性能图形处理单元上执行，并使用 TensorFlow 机器学习框架实现。所用代码在线可用。本文提出的方法对高性能 DM 与 AO 系统的设计和优化具有实用价值。
引用
@article{arxiv.1911.07456,
title = {Steady-State Control and Machine Learning of Large-Scale Deformable Mirror Models},
author = {Aleksandar Haber},
journal= {arXiv preprint arXiv:1911.07456},
year = {2019}
}
备注
5 pages, 6 figures