[論文レビュー] Progressive Prediction of Turbulence Using Wave-Front Sensor Data in Adaptive Optics Using Data Mining

Vyas Akondi, M. B. Roopashree+1 more|arXiv (Cornell University)|Sep 3, 2009

Adaptive optics and wavefront sensing参考文献 10被引用数 3

ひとこと要約

本稿では、波面センサデータを用いて、アダプティブオプティクスシステムにおける大気乱流を予測するデータマイニングベースのプログレッシブ予測手法を提案する。コルゴモロフ位相スクリーンのシミュレーションからデータキューブを構築し、線形および非線形回帰を用いたセグメンテーションを適用することで、制御帯域幅誤差を低減し、平均して波面補正を6%向上した。

ABSTRACT

Nullifying the servo bandwidth errors improves the strehl ratio by a substantial quantity in adaptive optics systems. An effective method for predicting atmospheric turbulence to reduce servo bandwidth errors in real time closed loop correction systems is presented using data mining. Temporally evolving phase screens are simulated using Kolmogorov statistics and used for data analysis. A data cube is formed out of the simulated time series. Partial data is used to predict the subsequent phase screens using the progressive prediction method. The evolution of the phase amplitude at individual pixels is segmented by implementing the segmentation algorithms and prediction was made using linear as well as non linear regression. In this method, the data cube is augmented with the incoming wave-front sensor data and the newly formed data cube is used for further prediction. The statistics of the prediction method is studied under different experimental parameters like segment size, decorrelation timescales of turbulence and segmentation procedure. On an average, 6% improvement is seen in the wave-front correction after progressive prediction using data mining.

研究の動機と目的

• リアルタイムのアダプティブオプティクスシステムにおける制御帯域幅誤差を低減するため、事前に大気乱流を予測すること。
• 大気乱流による波面歪みを予測補正することで、ストレール比を向上させること。
• 時間的位相スクリーンのシミュレーションと波面センサデータを用いたデータ駆動型アプローチを開発し、予測補正を実現すること。
• セグメンテーションサイズ、乱流の相関時間スケール、予測アルゴリズムが予測精度に与える影響を評価すること。

提案手法

• コルゴモロフ統計を用いて、時間的に変化する位相スクリーンをシミュレートし、大気乱流をモデル化する。
• 空間的・時間的分析のため、時系列波面センサデータからデータキューブを構築する。
• 個々のピクセルにおける位相振幅の変化を局所的予測に向け、セグメンテーションアルゴリズムを適用する。
• 部分的な歴史的データに基づいて将来の位相スクリーンを予測するために、線形および非線形回帰モデルを用いる。
• リアルタイムのプログレッシブ予測を可能にするために、波面センサデータを入力としてデータキューブに追加する。
• セグメントサイズ、相関時間スケール、セグメンテーション手順の変動に応じて、予測性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 データマイニング技術は、アダプティブオプティクスシステムにおける大気乱流の予測を改善できるか？
• RQ2 部分的なデータを用いたプログレッシブ予測は、波面補正精度にどのように影響するか？
• RQ3 セグメントサイズと乱流の相関時間スケールは、予測性能にどのような影響を及ぼすか？
• RQ4 線形回帰モデルと非線形回帰モデルは、位相スクリーンの時間的変化を予測する際に、どのように比較されるか？
• RQ5 プログレッシブ予測は、閉ループシステムにおける制御帯域幅誤差をどの程度低減できるか？

主な発見

• プログレッシブ予測手法により、波面補正精度が平均して6%向上した。
• 予測性能はセグメントサイズおよび乱流の相関時間スケールに敏感であり、最適な設定がより良い結果をもたらした。
• 非線形回帰モデルは、複雑な位相スクリーンのダイナミクスを捉える点で、線形モデルを上回った。
• 入力波面センサデータを拡張されたデータキューブに統合することで、リアルタイム予測能力が向上した。
• この手法により、制御帯域幅誤差が効果的に低減され、アダプティブオプティクスシステムにおけるストレール比が向上した。
• 本手法は、さまざまな実験的パラメータに対して頑健であることが確認され、リアルタイム実装の可能性を示した。