-
公开(公告)号：CN113222250B
公开(公告)日：2022-08-05
申请号：CN202110519652.6
申请日：2021-05-13
Applicant: 中国工程物理研究院激光聚变研究中心 , 哈尔滨工业大学
Abstract: 本发明涉及基于卷积神经网络的大功率激光装置输出波形预测方法，属于大功率激光装置技术领域，在各条光路上设立监测点，提取波形数据及其对应的能量数据，选择指定光路，剔除异常数据，预处理波形数据，形成输入输出数据集，搭建卷积神经网络模型，利用训练数据集对卷积神经网络模型进行迭代优化，直至达到终止条件，将下一发次的预设数据集输入到训练后的卷积神经网络模型，得到预测输出波形，本发明对各光路的实际输出波形进行精准预测，为装置的参数配置、计划调整、资源配备提供决策支持，从而通过调整输入波形与整形模块参数的手段，满足物理实验对各光路间输出波形的要求。
-
公开(公告)号：CN107145909A
公开(公告)日：2017-09-08
申请号：CN201710317105.3
申请日：2017-05-08
Applicant: 哈尔滨工业大学 , 中国工程物理研究院激光聚变研究中心
IPC: G06K9/62
Abstract: 本发明提供一种自动区分入光面损伤或出光面损伤的光学元件损伤所属表面的分类方法，属于光学损伤分类领域。本发明具体为：选取光学元件；利用FODI系统采集光学元件真空隔离片的损伤在线图像，并在该光学元件真空隔离片通光口径范围内标记出所有的损伤点；对光学元件真空隔离片通光口径范围内的入光面与出光面逐一扫描，记录下损伤点位置与形态，作为离线数据；使用几何变换把离线数据匹配到采集的在线图像上，获得入光面与出光面损伤的训练样本集；建立分类模型，采用训练样本集训练分类模型，获取分类模型的最优参数；利用具有最优参数的分类模型对光学元件的损伤进行分类，确定为入光面损伤或出光面损伤。本发明用于FODI系统中损伤识别与分类。
-
公开(公告)号：CN113268927A
公开(公告)日：2021-08-17
申请号：CN202110559599.2
申请日：2021-05-21
Applicant: 哈尔滨工业大学 , 中国工程物理研究院激光聚变研究中心
Abstract: 基于全连接神经网络的大功率激光装置输出能量预测方法，涉及一种人工智能技术在大功率激光装置的应用技术，为了解决现有的物理模型仿真模拟无法对光路输出能量进行准确预测的问题。本发明通过提取测量数据及其配置数据；以输入能量及其对应的配置数据组合成一个向量，将该向量作为输入数据集，以输出能量作为输出数据集，建立输入输出数据集；对数据集进行剔除，并按比例分为训练数据集和测试数据集；使用全连接神经网络模型对训练数据集进行训练，得到训练后的神经网络模型；对其进行集成，将测试数据集输入最优解神经网络模型，得到预测输出能量。有益效果为预测准确度提高10％。
-
公开(公告)号：CN113268927B
公开(公告)日：2024-04-30
申请号：CN202110559599.2
申请日：2021-05-21
Applicant: 哈尔滨工业大学 , 中国工程物理研究院激光聚变研究中心
IPC: G06F30/27 , G06F18/10 , G06F18/214 , G06N3/048 , G06N3/08
Abstract: 基于全连接神经网络的大功率激光装置输出能量预测方法，涉及一种人工智能技术在大功率激光装置的应用技术，为了解决现有的物理模型仿真模拟无法对光路输出能量进行准确预测的问题。本发明通过提取测量数据及其配置数据；以输入能量及其对应的配置数据组合成一个向量，将该向量作为输入数据集，以输出能量作为输出数据集，建立输入输出数据集；对数据集进行剔除，并按比例分为训练数据集和测试数据集；使用全连接神经网络模型对训练数据集进行训练，得到训练后的神经网络模型；对其进行集成，将测试数据集输入最优解神经网络模型，得到预测输出能量。有益效果为预测准确度提高10％。
-
公开(公告)号：CN113222250A
公开(公告)日：2021-08-06
申请号：CN202110519652.6
申请日：2021-05-13
Applicant: 中国工程物理研究院激光聚变研究中心 , 哈尔滨工业大学
Abstract: 本发明涉及基于卷积神经网络的大功率激光装置输出波形预测方法，属于大功率激光装置技术领域，在各条光路上设立监测点，提取波形数据及其对应的能量数据，选择指定光路，剔除异常数据，预处理波形数据，形成输入输出数据集，搭建卷积神经网络模型，利用训练数据集对卷积神经网络模型进行迭代优化，直至达到终止条件，将下一发次的预设数据集输入到训练后的卷积神经网络模型，得到预测输出波形，本发明对各光路的实际输出波形进行精准预测，为装置的参数配置、计划调整、资源配备提供决策支持，从而通过调整输入波形与整形模块参数的手段，满足物理实验对各光路间输出波形的要求。
-
Patent Agency Ranking
公开(公告)号：CN107145909B
公开(公告)日：2021-02-02
申请号：CN201710317105.3
申请日：2017-05-08
Applicant: 哈尔滨工业大学 , 中国工程物理研究院激光聚变研究中心
IPC: G06K9/62
Abstract: 本发明提供一种自动区分入光面损伤或出光面损伤的光学元件损伤所属表面的分类方法，属于光学损伤分类领域。本发明具体为：选取光学元件；利用FODI系统采集光学元件真空隔离片的损伤在线图像，并在该光学元件真空隔离片通光口径范围内标记出所有的损伤点；对光学元件真空隔离片通光口径范围内的入光面与出光面逐一扫描，记录下损伤点位置与形态，作为离线数据；使用几何变换把离线数据匹配到采集的在线图像上，获得入光面与出光面损伤的训练样本集；建立分类模型，采用训练样本集训练分类模型，获取分类模型的最优参数；利用具有最优参数的分类模型对光学元件的损伤进行分类，确定为入光面损伤或出光面损伤。本发明用于FODI系统中损伤识别与分类。
-
公开(公告)号：CN108827975A
公开(公告)日：2018-11-16
申请号：CN201811043379.9
申请日：2018-09-07
Applicant: 中国工程物理研究院激光聚变研究中心
Abstract: 本发明公开了一种CCD阵列成像装置。首先，组合组件中心4束子组件的像直接入射进4个未经转折排布的CCD成像；同时，外围4束子组件的像经4块像面反射镜反射进入4个转折排布的CCD成像。最后，通过外接计算机对CCD采集到的图像信号进行数据处理，获得组合组件内光学元件的损伤图像。本发明的CCD阵列成像装置实现了对大口径光学组合组件的全口径成像，具有检测效率高，紧凑性好，检修方便的优点。
-
公开(公告)号：CN103791838B
公开(公告)日：2017-03-22
申请号：CN201410080922.8
申请日：2014-03-07
Applicant: 中国工程物理研究院激光聚变研究中心
Abstract: 本发明提供了一种微零件位姿自动测量方法。首先，利用显微视觉和标定物标定显微视觉视场光轴中心和激光三角测量仪激光光轴中心的位置关系；然后利用显微视觉检测微零件的平面位置信息，根据平面位置信息自动引导三角测量仪分别测量微零件特征面上不在同一条直线上的三个点的深度信息，最后通过三个点的空间坐标计算微零件特征面的法向量从而得到微零件的姿态。本发明的测量方法用于微米厚度、毫米大小微零件位姿的自动测量，操作方便、自动化程度高、测量精度高，具有较好的应用前景。
-
公开(公告)号：CN108827975B
公开(公告)日：2023-10-20
申请号：CN201811043379.9
申请日：2018-09-07
Applicant: 中国工程物理研究院激光聚变研究中心
Abstract: 本发明公开了一种CCD阵列成像装置。首先，组合组件中心4束子组件的像直接入射进4个未经转折排布的CCD成像；同时，外围4束子组件的像经4块像面反射镜反射进入4个转折排布的CCD成像。最后，通过外接计算机对CCD采集到的图像信号进行数据处理，获得组合组件内光学元件的损伤图像。本发明的CCD阵列成像装置实现了对大口径光学组合组件的全口径成像，具有检测效率高，紧凑性好，检修方便的优点。
-
公开(公告)号：CN103791838A
公开(公告)日：2014-05-14
申请号：CN201410080922.8
申请日：2014-03-07
Applicant: 中国工程物理研究院激光聚变研究中心
Abstract: 本发明提供了一种微零件位姿自动测量方法。首先，利用显微视觉和标定物标定显微视觉视场光轴中心和激光三角测量仪激光光轴中心的位置关系；然后利用显微视觉检测微零件的平面位置信息，根据平面位置信息自动引导三角测量仪分别测量微零件特征面上不在同一条直线上的三个点的深度信息，最后通过三个点的空间坐标计算微零件特征面的法向量从而得到微零件的姿态。本发明的测量方法用于微米厚度、毫米大小微零件位姿的自动测量，操作方便、自动化程度高、测量精度高，具有较好的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
132
records
(took 0.064 seconds)
