Dense-1D-U-Net:用于自参考光谱干涉飞秒脉冲相位测量
超快激光脉冲形状宽度测量的核心是光谱相位的精确测量.本文提出了一种结合深度学习的自参考光谱干涉(SRSI)方法,并用该方法进行了飞秒脉冲相位的测量.该方法基于针对一维信号的Dense-1D-U-Net神经网络,采用经典的编码-解码网络结构并加入稠密连接和跳跃连接来提高网络的性能.结合SRSI法的特点,本文设计出结合了稠密连接块的Dense-1D-U-Net神经网络.基于大量接近真实光谱相位的模拟光谱相位数据可以发现,基于Dense-1D-U-Net的SRSI算法的计算结果的均方根误差相比传统SRSI算法至少降低一个数量级.与有无稠密连接、跳跃连接的对照组神经网络进行对比,分析了 Dense-1D-U-Net的优势.最后用实验测量数据验证了使用模拟数据训练的Dense-1D-U-Net具有计算实验数据的能力.Dense-1D-U-Net神经网络未来可以拓展应用到超快光谱等其他一维信息研究领域.
测量、深度学习、编码-解码、自参考光谱干涉、神经网络、稠密连接
49
O346;TP183(固体力学)
国家自然科学基金;国家自然科学基金;上海市自然科学基金
2022-06-29(万方平台首次上网日期,不代表论文的发表时间)
共13页
39-51