《表1 网络模型训练参数：无波前传感自适应光学神经网络控制方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《无波前传感自适应光学神经网络控制方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

CNN由一系列卷积层、池化层和全连接层组成。卷积层中的单元组织在特征图中。特征图中的所有单元共享同一个卷积滤波器，可以有效提取图像特征。卷积层中权值的共享大大减少了参数的数量和过度拟合的风险，从而获得了更好的泛化能力。全连接层通常位于网络的末端，它将特征映射中的所有单元连接到输出。GNN模型主要是由输入层、隐含层、输出层构成。输入层节点的维度大小取决于光斑尺寸，仿真中光斑图像为64×64像素，因此，网络的输入层节点数量为4 096。隐含层大小取决于该模型需要训练的参数量，GNN模型的隐含层节点数量为1 024。输出层的节点数量取决于泽尼克模式数量，输出为前3-22阶泽尼克模式系数。使用均方误差（MSE）作为损失函数，评价模型的准确性，采用adam优化器对模型参数进行迭代更新。神经网络中的每个节点代表一个神经元，神经元通过激活函数进行输出。激活函数的作用是加入非线性因素，从而解决非线性函数拟合问题，普通神经网络模型中的网络使用tanh函数作为输入层和隐含层的激活函数。2个神经网络模型的参数如表1所示。