(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211322033.9 (22)申请日 2022.10.27 (71)申请人 中国航天三江集团有限公司 地址 430040 湖北省武汉市东西湖区金山 大道九号 (72)发明人 李强　高政旺　武春风　姜永亮　 胡黎明　韩西萌　刘利民　朱梦楠　 王旭锋　胡金萌　 (74)专利代理 机构 武汉卓越志诚知识产权代理 事务所 (特殊普通合伙) 42266 专利代理师 戴宝松 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 119/08(2020.01) (54)发明名称 基于机器学习的光- 机-热耦合分析模型 (57)摘要 本发明提供了一种基于机器学习的光 ‑机‑ 热耦合分析模型， 通过先 获取光学系统的光 ‑机‑ 热耦合分析相关数据集， 再利用上述数据集形成 输入输出矩阵， 以构建前馈神经网络模型， 然后 进行前馈神经网络模型训练、 评估与测试； 通过 上述方式可将机器学习和光学结合， 实现了利用 数据驱动对光学系统光 ‑机‑热耦合分析进行预 测的目的， 避免了复杂光学系统光 ‑机‑热耦合仿 真数学方程的建立， 降低了光 ‑机‑热耦合分析的 难度， 提高了耦 合仿真的准确性， 同时， 上述方法 还可应用于自适应光学等领域， 具有应用范围 广、 预测时间成本低和准确度高等特点。 权利要求书2页 说明书6页 附图3页 CN 115392138 A 2022.11.25 CN 115392138 A 1.一种基于 机器学习的光 ‑机‑热耦合分析模型， 其特 征在于， 包括如下步骤： S1、 采用实验或者数值模拟方式对光学系统进行光 ‑机‑热耦合分析， 在不同时间窗口p 下获得数据集， 所述数据集包括相互独立的训练数据集、 验证数据集和 测试数据集； S2、 将步骤S1中的所述数据集 转化为输入输出矩阵， 以构建前馈神经网络模型； S3、 所述前馈神经网络模型的训练、 评估与测试。 2.根据权利要求1所述的基于机器学习的光 ‑机‑热耦合分析模型， 其特征在于， 在步骤 S2中， 所述前馈神经网络模型的输入和输出与V ARX模型的输入和输出相同。 3.根据权利要求2所述的基于机器学习的光 ‑机‑热耦合分析模型， 其特征在于， 所述 VARX模型的表达式如下： ， 其中， 下标 表示离 散的时间点， 是输出向量， 是输入向量， 和 分别为 输入和输出矩阵的乘积， p是 过去的时间窗口点， 是零均值的白噪声序列。 4.根据权利要求3所述的基于机器学习的光 ‑机‑热耦合分析模型， 其特征在于， 所述输 出向量为光学系统像平面观察到的波 前像差， 所述输入向量为光学系统里加热器的热功 率 和外部热扰动。 5.根据权利要求3所述的基于机器学习的光 ‑机‑热耦合分析模型， 其特征在于， 所述 VARX模型学习的输入和输出 数据矩阵格式分别为： 和 ， 其中， 是机器学习输入数据矩阵， 是机器学习输出数据矩 阵， 矩阵U的每一行都用于预测矩阵Y的对应行。 6.根据权利要求1所述的基于机器学习的光 ‑机‑热耦合分析模型， 其特征在于， 所述前 馈神经网格模 型的输入层应由 个节点组成， 所述前馈神经网格模 型的输出层由r 个节点组成。 7.根据权利要求1所述的基于机器学习的光 ‑机‑热耦合分析模型， 其特征在于， 在步骤 S3中， 利用开源TensorFlow对所述前馈神经网格模型训练、 评估与测试， 训练、 评估与测试 的具体过程如下： 首先， 利用步骤S1中得到的所述训练数据集和所述验证数据集训练所述 前馈神经网络模型， 所述训练数据集用于拟合所述前馈神经网格模型 的参数， 所述验证数 据集用于对拟合后的前馈神经网格模型进行超参数优化， 在训练过程中， 使用均方误差作 为损失函数， 采用的训练方法为梯度下降算法； 所述训练过程中， 每一个时间窗口p下 的所 述训练数据集和所述验证数据集能够对应得到一个训练好的前馈神经网络模型； 最后， 利 用所述测试数据集评估所有所述训练好的前馈神经网络模型， 并将评估后的前馈神经网络权　利　要　求　书 1/2 页 2 CN 115392138 A 2模型输出 的预测结果与所述测试数据集里的输出结果之间的相对误差最小时所对应的前 馈神经网络模型作为 最优的前馈神经网络模型。 8.根据权利要求7所述的基于机器学习的光 ‑机‑热耦合分析模型， 其特征在于， 所述梯 度下降算法为均方根传播优化 算法。 9.根据权利要求1所述的基于机器学习的光 ‑机‑热耦合分析模型， 其特征在于， 利用所 述基于机器学习的光 ‑机‑热耦合分析模型能够预测所述光学系统的波 前像差， 所述波前像 差表示为Zernike系数， 所述Zern ike系数主 要为其中的平 移项、 倾斜项及离焦项。 10.根据权利要求1所述的基于机器学习的光 ‑机‑热耦合分析模型， 其特征在于， 在步 骤S1中， 所述 光学系统包括牛 顿望远镜系统。权　利　要　求　书 2/2 页 3 CN 115392138 A 3