光通信研究
2024, 50(2): 22007301
1 重庆邮电大学 通信与信息工程学院,重庆 400065
2 信号与信息处理重庆市重点实验室,重庆 400065
为了改善传统随机并行梯度下降(Stochastic Parallel Gradient Descent, SPGD)算法收敛速度慢且容易陷入局部极值的问题,提出了一种元启发式随机并行梯度下降(Meta-Heuristic SPGD, MHSPGD)算法。该算法将SPGD算法和元启发式算法的开发与探索两步结合,首先利用SPGD算法的梯度下降搜索得到局部最优解,然后进行邻域搜索得到局部最优区域以外的可能最优解,通过所有解性能指标的比较来确定新的迭代起点。随着搜索范围的自适应扩展,该算法能够避免陷入局部极值并趋向收敛于全局最优。同时,为了避免重复搜索,建立了记忆表来记录迭代过程中产生的次最优解。搭建了无波前探测器自适应光学系统模型,运用所提算法对不同湍流强度下的波前畸变进行了仿真校正,并针对不同Zernike阶数的像差进行了仿真实验。在三种湍流强度下,MHSPGD算法所能达到的斯特列尔比(Strehl Ratio, SR)分别为0.7621、0.6554、0.3749,相比于SPGD算法分别提升了0.1%、2%和18.6%。此外,当畸变中含有较多高阶成分时,文中所提优化算法相比传统的SPGD算法,SR收敛到0.6所需的迭代次数减少了约47%,且SR收敛极限值也提升了约9.4%。结果表明:与三种主流优化算法相比,MHSPGD在保持较快收敛速度的同时,能够在各种湍流强度下达到更高的收敛极限,有效地解决了算法的局部收敛问题。
自适应光学 波前畸变校正 随机并行梯度下降算法 元启发式算法 adaptive optics wavefront distortion correction stochastic parallel gradient descent algorithm meta-heuristic algorithm 红外与激光工程
2022, 51(7): 20210759
1 国防科技大学脉冲功率激光技术国家重点实验室, 安徽 合肥 230037
2 电子制约技术安徽省重点实验室, 安徽 合肥 230037
涡旋光束经过大气湍流时,其波前会发生畸变,因此需要对畸变的波前进行校正。无波前传感器的波前畸变校正系统基于随机并行梯度下降算法,可以实现对波前畸变的校正,但算法的收敛速度及稳定性受随机扰动电压的影响。结合深度学习理论中改进的梯度下降算法,对随机并行梯度下降算法中随机扰动电压的迭代方式进行调整,并分析不同湍流强度下改进型算法的校正效果。仿真结果表明:在弱湍流条件下,需优先选择基于RMSprop的改进型算法;而在中等湍流和强湍流条件下则需要结合实际需求从算法的稳定性、性能评价函数大小以及收敛速度等方面考虑,选择合适的校正算法。
大气光学 涡旋光 大气湍流 波前畸变校正 随机并行梯度下降算法 深度学习