[论文解读] 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 3

一句话总结

本文提出一种基于数据挖掘的渐进式预测方法，利用波前传感器数据预测自适应光学系统中的大气湍流。通过构建基于模拟柯尔莫哥洛夫相位屏的数据立方体，并应用线性和非线性回归的分割方法，该方法平均提高了6%的波前校正精度，从而减少了伺服带宽误差。

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.

研究动机与目标

• 通过提前预测大气湍流，减少实时自适应光学系统中的伺服带宽误差。
• 通过预测性补偿由大气湍流引起的波前畸变，提高斯特列尔比。
• 开发一种基于时间相位屏模拟和波前传感器数据的数据驱动方法，用于预测性校正。
• 评估分割尺寸、湍流去相关 timescales 和预测算法对预测精度的影响。

提出的方法

• 使用柯尔莫哥洛夫统计特性模拟随时间演化的相位屏，以建模大气湍流。
• 从时序波前传感器数据构建数据立方体，用于时空分析。
• 应用分割算法，将单个像素处相位振幅的演化划分为局部区域，以实现局部预测。
• 使用线性和非线性回归模型，基于部分历史数据预测未来的相位屏。
• 将新进入的波前传感器数据加入增强后的数据立方体，以实现渐进式实时预测。
• 在不同分割尺寸、去相关 timescales 和分割流程下评估预测性能。

实验结果

研究问题

• RQ1 数据挖掘技术能否提升自适应光学系统中大气湍流的预测性能？
• RQ2 使用部分数据进行渐进式预测如何影响波前校正精度？
• RQ3 分割尺寸和湍流去相关 timescales 对预测性能有何影响？
• RQ4 线性和非线性回归模型在预测相位屏演化方面表现如何比较？
• RQ5 渐进式预测在闭环系统中在多大程度上减少了伺服带宽误差？

主要发现

• 渐进式预测方法平均提升了6%的波前校正精度。
• 预测性能对分割尺寸和湍流去相关 timescales 敏感，最优配置可获得更佳结果。
• 非线性回归模型在捕捉复杂相位屏动态方面优于线性模型。
• 将新进入的波前传感器数据整合到增强的数据立方体中，显著提升了实时预测能力。
• 该方法有效减少了伺服带宽误差，从而提高了自适应光学系统中的斯特列尔比。
• 该方法在不同实验参数下表现出鲁棒性，证实了其在实时应用中的潜力。