一种快速收敛的随机并行梯度下降算法 下载: 1478次
1 引言
大气湍流引起的像差具有随机且变化迅速的特点,自适应光学技术的基本目标就是实时校正大气湍流引起的波前畸变,获得近衍射极限的图像分辨能力[1]。无波前探测自适应光学系统不需要波前探测器,具有结构紧凑的特点,在激光大气通信、显微镜[2-4]等领域有广泛的应用前景。无波前探测自适应光学技术中,常用的优化控制算法有随机并行梯度下降(SPGD)算法[5-8]、模拟退火(SA)算法[9]和遗传算法[10]等,其中SPGD算法在收敛精度与收敛速度上表现尤为出色。
SPGD算法由Vorontsov等[5-6]于1997年提出,被应用于自适应光学系统中并成功改善了图像质量,解决了畸变校正中的多通道控制问题。2000年,Vorontsov等[7]基于SPGD算法,分别对由127单元液晶空间光调制器和37单元变形镜构建的自适应激光束聚焦系统进行自适应补偿控制。2005年,Masino等[11]使用超大规模集成电路硬件提高了SPGD算法的执行速度,每秒迭代7000次,使算法可以投入实际应用。SPGD算法被广泛应用于自由空间光通信[12-13]、激光大气传输[14]和稀疏孔径成像系统[15]等。研究人员在算法优化方面也进行了大量工作,例如解耦SPGD算法[8]和基于功率谱反演法的SPGD算法[16]等,以提高迭代收敛速度与精度;2000年,Weyrauch等[17]提出增益系数随迭代过程自适应变化,同类方法还包括分段增益系数[18]、分段随机扰动[19]、变增益系数[20]、收敛前后期采用不同的电压优化控制方式[21]等,这类动态调节的方法与固定参数相比,更有利于与迭代中的系统变化进行匹配并提高收敛速度与收敛精度。但动态调节的方法也需要对随机扰动信号与增益系数作技术优化,即初始值的选择。随机电压扰动幅度
为了解决该问题,实现高精度、快速的收敛效果,对SPGD算法的随机扰动信号幅值
2 基于SPGD的无波前探测AOS仿真原理
2.1 系统仿真过程
无波前探测自适应光学系统原理如
式中:初始畸变波前
图 1. 无波前探测自适应光学系统控制框图
Fig. 1. Block diagram of adaptive optics system without wavefront detection
对于初始的畸变波前,考虑到生物医学显微成像中的畸变以离焦和像散等低阶畸变为主,可以利用低阶的Zernike多项式产生初始畸变波前。变形镜在本自适应光学系统中作为波前校正器,其面形
式中:
式中:
2.2 SPGD算法
SPGD算法流程如
式中:
SPGD算法为随机盲优化算法,
图 4. 800次算法迭代下的单次随机性实验与多次实验取平均的收敛情况
Fig. 4. Convergence for single random test and averaging after multiple tests under 800 iterations
3 增益系数与随机扰动幅度的优化
以单次SPGD算法的收敛为基础, 选择大量
图 5. 扰动幅度δ 与增益系数γ对残余波前的影响及其优化拟合曲线
Fig. 5. Effects of perturbation amplitude δ and gain coefficient γ on residual wavefront and its optimal fitting curve
在不考虑算法随机性的情况下,对于上述优选曲线,选择其上任意一点作为算法的输入
3.1 不同初始畸变大小的影响
通过取不同的Zernike系数,以离焦和像散为主,准备了3个不同畸变波前如
选取收敛范围内外的若干组
图 6. 不同初始畸变波前下的最优方案。(a) 3个不同大小的初始畸变波前;(b)不同初始畸变波前下最优曲线的分布情况
Fig. 6. Optimal solution for wavefronts with different initial distortions. (a) Wavefronts with three initial distortion magnitudes; (b) distribution of optimal curve for wavefronts with different initial distortions
3.2 验证比较
为了验证上述关系,重新构建
表 1. 初始畸变波前RMS为0.3312 rad时不同参数组合的收敛情况
Table 1. Convergence under different parameter combinations for wavefront with initial distortion RMS of 0.3312 rad
|
表 2. 初始畸变波前RMS为0.8448 rad时不同参数组合的收敛情况
Table 2. Convergence of different parameter combinations for wavefront with initial distortion RMS of 0.8448 rad
|
表 3. 初始畸变波前RMS为1.3180 rad时不同参数组合的收敛情况
Table 3. Convergence of different parameter combinations for wavefront with initial distortion RMS of 1.3180 rad
|
模拟退火(SA)算法[9]也被广泛应用于无波前校正自适应光学系统,在一定程度上SA算法可以有效逃离局部最优的陷阱。
图 7. 不同初始畸变波前下不同参数组合的收敛情况。(a) 0.3312 rad;(b) 0.8448 rad;(c) 1.3180 rad
Fig. 7. Convergence under different parameter combinations for wavefronts with different initial distortions. (a) 0.3312 rad;(b)0.8448 rad;(c)1.3180 rad
4 结论
基于误差评价对SPGD算法中的
[2] Booth M J. Adaptive optics in microscopy[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2007, 365(1861): 2829-2843.
[13] 杨慧珍, 李新阳, 姜文汉. 自适应光学技术在大气光通信系统中的应用进展[J]. 激光与光电子学进展, 2007, 44(10): 61-68.
[16] Song Y, Chen T, Wang J L, et al. Optimization of stochastic parallel gradient descent algorithm via power spectrum method[J]. Applied Mathematics & Information Sciences, 2016, 10(1): 325-332.
[18] 徐友会, 佟首峰. 自适应光学随机并行梯度下降控制算法的研究[J]. 长春大学学报, 2013, 23(4): 391-393.
[19] 吴健, 杨慧珍, 龚成龙. 基于分段随机扰动幅值的随机并行梯度下降算法研究[J]. 中国激光, 2014, 41(7): 0712001.
[20] 黄智蒙, 唐选, 刘仓理, 等. 变增益随机并行梯度下降算法及其在相干合成中的应用[J]. 中国激光, 2015, 42(4): 0402004.
[21] 蒋鹏志, 梁永辉, 许洁平, 等. 一种改进的全局耦合的随机并行梯度下降算法[J]. 光学学报, 2014, 34(s2): s214003.
[22] 杨慧珍, 李新阳, 姜文汉. 自适应光学系统随机并行梯度下降控制算法仿真与分析[J]. 光学学报, 2007, 27(8): 1355-1360.
[24] 饶学军, 凌宁, 姜文汉. 用数字干涉仪测量变形镜影响函数的实验研究[J]. 光学学报, 1995, 15(10): 1446-1451.
Article Outline
胡栋挺, 申文, 马文超, 刘新宇, 苏宙平, 朱华新, 张秀梅, 阙立志, 朱卓伟, 张逸新, 陈国庆, 胡立发. 一种快速收敛的随机并行梯度下降算法[J]. 激光与光电子学进展, 2019, 56(12): 122201. Dongting Hu, Wen Shen, Wenchao Ma, Xinyu Liu, Zhouping Su, Huaxin Zhu, Xiumei Zhang, Lizhi Que, Zhuowei Zhu, Yixin Zhang, Guoqing Chen, Lifa Hu. Fast Convergence Stochastic Parallel Gradient Descent Algorithm[J]. Laser & Optoelectronics Progress, 2019, 56(12): 122201.