Die komprimierte Erfassungstechnik wird zur Messung von optischen Wellenfronten verwendet, jedoch haben herkömmliche Methoden zur Neigungserholung eine geringe Genauigkeit und können komplexe Wellenfronten, die durch atmosphärische Turbulenzen verursacht werden, nur schwer messen. In dieser Arbeit wird ein tiefes neuronales Netzwerk zur Neigungserholung eingesetzt, um die Genauigkeit der Neigungserholung zu verbessern und somit die Messgenauigkeit der komprimierten Wellenfrontenerfassungsmethode für atmosphärische Turbulenzen zu erhöhen. Traditionelle komprimierte Wellenfrontmessmethoden vernachlässigen während des Sparsifizierungsprozesses relativ kleine Neigungswerte, was zu einer Erhöhung des Messfehlers der Wellenfront führt. Um komplexe Wellenfronten, die durch atmosphärische Turbulenzen verursacht werden, schnell zu messen, wird in dieser Arbeit ein tiefes neuronales Netzwerk vorgeschlagen, das die Neigung mit hoher Genauigkeit wiederherstellen kann, wodurch die Genauigkeit der Wellenfrontrekonstruktion verbessert wird. Bei Kompressionsraten von 0,1 bis 0,9 erzielt der auf tiefen neuronalen Netzwerken basierende Algorithmus für die komprimierte Wellenfrontmessung (DNNCWS) einen Wellenfrontrekonstruktionsfehler PV von besser als 0,014 μm, und die Laufzeit des Algorithmus beträgt 4,4 ms. Bei schwachen Sternen beträgt der Scheitelwellenwert (PV) des verbleibenden Wellenfrontfehlers besser als 0,011 μm. Simulationsergebnisse zeigen, dass DNNCWS eine gute Rauschfestigkeit aufweist. Das tiefe neuronale Netzwerk DNNCWS verbessert die Messgenauigkeit der komprimierten Wellenfront und kann zur Messung komplexer Aberrationen, die durch atmosphärische Turbulenzen verursacht werden, verwendet werden und findet auch Anwendung in anderen adaptiven Optikanwendungen wie Laserkommunikation und retinaler Bildgebung.

komprimierte Wellenfrontmessung;adaptive Optik;atmosphärische Turbulenzen