首页--工业技术论文--自动化技术、计算机技术论文--自动化技术及设备论文--自动化元件、部件论文--发送器(变换器)、传感器论文

基于深度强化学习的哈特曼传感器标定优化技术研究

摘要第4-6页
abstract第6-7页
第一章 绪论第15-37页
    1.1 波前探测技术第15-19页
        1.1.1 波前及波前探测技术原理第15-17页
        1.1.2 现有波前探测技术第17-19页
    1.2 夏克哈特曼波前传感器第19-30页
        1.2.1 哈特曼波前传感器的发展及原理第19-20页
        1.2.2 波前重构第20-25页
        1.2.3 性能指标第25-28页
        1.2.4 哈特曼传感器的应用第28-29页
        1.2.5 自适应光学系统第29-30页
    1.3 深度强化学习简介第30-36页
        1.3.1 强化学习发展历史第31-32页
        1.3.2 深度强化学习第32-36页
    1.4 本文主要工作及安排第36-37页
第二章 哈特曼传感器在自适应光学系统中的应用第37-53页
    2.1 自适应光学系统概述第37-44页
        2.1.1 像差第37-38页
        2.1.2 波前探测第38-39页
        2.1.3 波前校正第39-44页
        2.1.4 波前控制第44页
    2.2 波前探测中的误差与标定问题第44-51页
        2.2.1 波前测量误差第45-48页
        2.2.2 哈特曼传感器的标定第48-49页
        2.2.3 本文拟解决的问题第49-51页
    2.3 本章小结第51-53页
第三章 自适应光学强化学习理论框架第53-69页
    3.1 马尔可夫决策过程第53-59页
        3.1.1 马尔可夫链第53-54页
        3.1.2 马尔可夫决策过程第54-57页
        3.1.3 最优准则第57-58页
        3.1.4 自适应光学系统的马尔可夫表达第58-59页
    3.2 策略梯度算法第59-67页
        3.2.1 策略梯度理论第59-61页
        3.2.2 策略改进第61-62页
        3.2.3 策略梯度收敛条件第62-63页
        3.2.4 随机策略第63-65页
        3.2.5 确定性策略第65-66页
        3.2.6 Actor-Critic结构第66-67页
    3.3 本章小结第67-69页
第四章 哈特曼传感器的深度强化学习结构设计第69-79页
    4.1 哈特曼传感器优化策略第69-70页
    4.2 基于深度学习的结构拟合第70-78页
        4.2.1 强化学习中的神经网络第70页
        4.2.2 深度确定性策略梯度第70-71页
        4.2.3 值函数网络第71-75页
        4.2.4 策略模型第75-78页
    4.3 本章小结第78-79页
第五章 自适应光学系统中哈特曼波前传感器质心标定的奖励和探测策略设计第79-103页
    5.1 奖励函数第79-84页
        5.1.1 自适应光学系统的评价指标第79-82页
        5.1.2 强化学习框架下的奖励函数第82-84页
    5.2 探索策略第84-91页
        5.2.1 正态分布的探索噪声第85-89页
        5.2.2 OU噪声探索策略第89-91页
    5.3 奖励函数的收敛性第91-95页
        5.3.1 基于斯特列尔比的奖励函数收敛性验证第92-93页
        5.3.2 基于因子的奖励函数收敛性验证第93-94页
        5.3.3 基于像清晰度函数的奖励函数收敛性验证第94-95页
    5.4 仿真结果第95-102页
    5.5 本章小节第102-103页
第六章 自适应光学系统中哈特曼波前传感器质心标定的强化学习收敛优化第103-119页
    6.1 样本利用率的优化第103-106页
        6.1.1 基于TD-n的值函数网络更新方法第103-105页
        6.1.2 方法说明第105-106页
    6.2 收敛速度的优化第106-112页
        6.2.1 基于有监督学习的策略预训练第106-110页
        6.2.2 基于双经验池的加速方法第110-112页
    6.3 实验结果第112-118页
    6.4 本章小结第118-119页
第七章 总结和后续工作展望第119-123页
    7.1 论文的主要研究工作第119-120页
    7.2 论文的主要创新点第120页
    7.3 后续工作展望第120-123页
参考文献第123-133页
致谢第133-135页
作者简历及攻读学位期间发表的学术论文与研究成果第135页

论文共135页,点击 下载论文
上一篇:基于卷积神经网络的高效语义分割方法研究
下一篇:基于热电制冷的图像传感器深度制冷技术研究