一种激光脉宽的优化神经网络提取方法

本发明涉及一种激光脉宽的优化神经网络提取方法，属于光学测量技术领域。

背景技术：

激光脉宽的测量通常采用众所周知的光学自相关技术。通常基于光学非线性效应来构建光学自相关仪。最近，由于与二次谐波生成(shg)晶体自相关器相似的灵敏度和潜在的低成本，半导体中的双光子吸收(tpa)效应被用于测量光学自相关。有研究表明，硅(si)和砷化镓(gaas)光电二极管均可以用作红外波段的tpa器件，用于对激光脉冲在通信频带中进行自相关测量。si和gaas之间的差异主要在于对色散脉冲的测量。与硅相比，砷化镓是一种直接带隙半导体材料，其电子能级跃迁不涉及声子的同时发射或吸收，可以避免环境的影响。而且目前已通过实验观察到，在砷化镓光电二极管中，tpa效应会更为强烈。因此，对于自相关测量，gaas光电二极管优于si。

由于强度和干涉自相关都无法完全获取脉冲信息(强度和相位)，它们不足以确定脉冲的时间分布，但是我们可以对自相关信号进行曲线拟合以测量脉宽。对于传统的拟合方法，例如levenberg-marquardt方法(l-m)，我们需要预先设置脉冲函数。由于电子噪声的影响，所测得的自相关信号无法达到理想的高斯或双曲正割形状，这可能会导致拟合失败。近年来，随着深度学习的发展，神经网络(nn)在人工智能领域大放异彩。万能近似定理表明，理论上，任何函数都可以由具有至少一个隐藏层的神经网络逼近。这显示了其在曲线拟合中的独特优势。

技术实现要素：

本发明目的在于针对上述现有技术的不足，提出了一种激光脉宽的优化神经网络提取方法，该方法基于神经网络拟合出适合脉宽分析的函数，利用半导体的双光子吸收效应产生飞秒激光的强度自相关，然后对强度自相关信号进行神经网络拟合，以此进行信号分析提取脉宽。

本发明解决其技术问题所采取的技术方案步骤如下：一种激光脉宽的优化神经网络提取方法，该方法包括如下步骤：

步骤1：利用非平衡式迈克尔逊干涉光路及半导体双光子吸收效应进行强度自相关测量，得到光电信号。

步骤2：将采集到的带有电噪声的强度自相关信号分离出时间序列t和信号值序列s。

步骤3：利用第三方深度学习工具包(numpy，pandas，matplotlib)构建一个优化的神经网络模型，以时间序列t作为模型训练的输入，i作为模型训练的标签值。

强度自相关信号数据是一个二元组(t,u)，分别表示时间序列和信号值序列，

s＝(t，i),,记作强度自相关信号中的第i对时间和信号值；

表示预测信号与真实信号数据之间的偏差(第i次)。

步骤4：对i’进行隔直处理，得到纯交流信号i”。再对其进行半高宽分析，最后利用置零算法精确提取脉宽。

本发明上述步骤3构建的优化神经网络模型包括如下步骤：

步骤3-1：设置神经网络模型参数，输入与输出层皆为一个神经元，隐藏层层数以及每一层的神经元数量则以用户实际情况具体设置。设置迭代次数epoch，和性能参数performance，利用是否到达阈值控制模型训练的终止条件。然后将以时间序列t作为神经网络模型训练的输入，i作为模型训练的标签值对模型进行有监督训练；

步骤3-2：在神经网络模型中定义一个随机重启函数，并设置参数。在步骤3-1的神经网络模型训练过程中，当迭代次数超过一定值时，会重新初始化各参数，重新进行训练。

步骤3-3：生成一个新的高采样率的时间序列t’，时间范围刚好覆盖一个完整脉冲。将时间序列t’送入生成好的神经网络模型，获得新的信号值序列i’。

进一步地，本发明每次生成的时间序列t’与采集的真实信号的时间序列t增量不同，而且时间序列t’的总长度小于真实信号的时间序列t长度；同时本发明方法利用生成强度自相关信号的中存在强直流值的特点，利用隔直算法及置零算法将其去除，从而获得易于提取脉宽的信号。

进一步地，本发明具有用户调节功能，可以针对不同的自相关信号调节随机重启的条件。

进一步地，本发明可以通过调节迭代次数epoch和性能参数performance来决定神经网络模型预测的分辨率，从而影响脉宽的提取精度。

进一步地，本发明用户可以根据实际需求自定义隐藏层层数以及每一层的神经元数量，选取最短训练时间及最佳精度合适的层数及个数。

有益效果：

1、本发明利用神经网络模型对还有电噪声的强度自相关信号进行精准函数生成，实时生成的新的易于进行脉宽分析的自相关函数，具有抗噪声的特点，避免了传统脉冲拟合中的对于含噪声信号容易拟合失败的问题。

2、本发明采用随机重启算法优化了神经网络模型，改善了神经网络易于陷入局部最优的缺点。

3、本发明生成出的模型可以匹配任意复杂的自相关信号，利用时频分析方法，可以很好地提取任意时刻的强度自相关频率。

4、本发明的模型训练过程较为简单，计算开销小，同时可以保证频域提取的结果是可信的而不是杂乱无章的。

附图说明

图1为本发明的方法流程图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面将结合具体实施例和附图进行说明，显而易见地，下面描述中的实施例仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些实施例获得其他的实例。

如图1所示，本发明提出的一种基于神经网络的激光脉宽测量方法，包含以下步骤：

步骤1：确定目标，根据需求确定目标为脉宽信息提取；

步骤2：数据采集和整合，对目标实现所需相关的强度自相关信号数据进行采集和整合；

步骤3：数据清洗，对采集到的数据进行时间序列和信号值序列分离；

步骤4：选择并构建神经网络模型，根据脉宽测量的需求和目标进行对神经网络模型的参数选择、构建和优化；

步骤5：模型训练和评估，对优化的神经网络进行训练和评估生成新的强度自相关信号；

步骤6：脉宽提取，利用置零方法具体提取所需脉宽。

为便于本领域的技术人员实施本发明的构想，现提供一个具体实施例，包括如下：

步骤1：确定目标，根据用户的需求确定其需要的目标参数；

步骤2：数据采集和整合，对特定的目标进行的相关的强度自相关信号数据进行采集和整合；

步骤3：数据清洗，对采集到的数据进行时间序列和信号值序列分离，即从采集到的强度自相关信号分离出时间序列t和信号值序列s；

步骤4：选择并构建神经网络模型，根据用户的需求和目标进行对神经网络模型的参数选择和构建，构建的神经网络模型以时间序列t作为模型训练的输入，i作为模型训练的标签值，强度自相关信号数据是一个二元组(t,i)，分别表示时间序列和信号值序列，

s＝(t，i),si记作强度自相关信号中的第i对时间和信号值，

δsi表示预测信号与真实信号数据之间的偏差(第i次)；

步骤5：模型训练和评估，对得到的模型进行评估生成新的强度自相关信号；

步骤6：脉宽信息分析，利用置零算法具体提取所需脉宽信息。对生成的新信号值序列进行隔直处理，得到纯交流信号，再对其进行置零处理，得到方波信号，最后利用时间提取算法精确提取脉宽。

上述构建优化神经网络模型又包括如下步骤：

步骤4-1：设置神经网络模型参数，输入与输出层皆为一个神经元，隐藏层层数以及每一层的神经元数量则以实际情况具体设置。设置迭代次数epoch和性能参数performance，利用是否到达阈值控制模型训练的终止条件。然后将以时间序列t作为模型训练的输入，i作为神经网络模型训练的标签值对模型进行有监督训练；

步骤4-2：在模型中定义一个随机重启函数，并设置参数。在步骤3-1的模型训练过程中，当迭代次数超过一定值时，会重新初始化各参数，重新进行训练；

步骤4-3：生成一个新的高采样率的时间序列t’，时间范围刚好覆盖一个完整脉冲。将时间序列t’送入生成好的神经网络模型，获得新的信号值序列i’；

每次生成的时间序列t’与采集的真实信号的时间序列t具有不同的区间范围及采样率。

用户可以通过调节迭代次数epoch和性能参数performance来决定神经网络模型预测的分辨率，从而影响脉宽提取精度。

用户可以针对不同的自相关信号调节随机重启的条件。

用户可以根据实际需求自定义隐藏层层数以及每一层的神经元数量。

用户可以选取最短训练时间及最佳精度合适的层数及个数。

具体实施时，可利用第三方深度学习工具包(numpy，pandas，matplotlib)构建一个神经网络模型，以时间序列t作为模型训练的输入，i作为模型训练的标签值。

强度自相关信号数据是一个二元组(t,i)，分别表示时间序列和信号值序列，

s＝(t，i）,si记作强度自相关信号中的第i对时间和信号值；

δsi表示预测信号与真实信号数据之间的偏差(第i次)，i表示时间-信号值对的索引；

构建神经网络模型时，隐藏层层数以及每一层的神经元数量则以实际情况具体设置；同时针对不同的自相关信号调节随机重启的条件。

隔直及脉宽分析时，将新的信号值序列i’进行隔直处理，得到纯交流信号i”，再对其进行置零处理，得到方波信号，最后利用时间提取算法精确提取脉宽。

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。