摘要：以能量控制为目标的非成像光学设计在光电领域有着广泛的应用,由光源、光学器件和目标面三者组成的非成像光学系统可用一个配光方程来描述.给定光源和目标光斑,求解配光方程可得相应的光学表面.如果光源不变而目标光斑仅在目标面上发生移动,此时光学表面就得做出相应的变换,这种变换可由一个配光平移群来刻画.通过引入具有单调性质的光程常数与能量之间的映射关系,并利用深度神经网络拟合构建了配光平移变换群.以均匀方斑为例,利用程能映射之一的支撑椭流面法生成训练样本数据,通过对深度神经网络进行多维度调参和训练,实现配光平移群的学习.光学仿真结果表明深度神经网络对配光平移群表达具有误差小和速度快的优点,在一定程度上实现了非成像光学设计的智能化.

摘要：在激光投影、结构光和光束整形等特种照明或光电应用中,常需要一个非成像光学系统来实现特定的配光设计。建立一个配光方程来描述该光学系统,并通过对光束、光学面和目标面的离散化处理,利用子面光程K与目标点能量E之间的映射关系得到程能映射下的配光方程。尽管程能映射中相邻子面光程之间存在复杂的非线性竞争,但K与E之间存在良好的单调映射关系,这为引入深度神经网络来拟合程能映射提供基础。利用深度学习实现配光方程逆问题的求解,获得所需要的自由光学曲面。以英文字母和阿拉伯数字为训练集,输入点阵规模为28×28,通过对三层神经网络进行多维度调参和训练,实现了相应字符照度分布的光学曲面设计。光学仿真结果的结构相似度达到了99.97%,这表明深度神经网络通过学习可以记住(或存储)各个字符的光学曲面,相当于建立了一个高效且可扩容的智能光学字符库。基于复杂介质建立的基础配光方程可为现有配光方法提供一个基础理论框架,有助于形成非成像光学理论的系统性表述。

摘要：针对传统混合区域振幅自由度(MRAF)算法衍射效率低、非信号区域有散斑等问题,提出一种改进的MRAF算法。该算法引入球面相位作为初始相位,使用动态振幅限制,利用基于全域振幅限制的迭代方案确定最佳Z值,并使用爬山邻域算法对得到的相位进行分段式迭代优化,从而改善了非信号区域由于完全无振幅限制有散斑的问题。具体地,在全区域振幅限制阶段所提算法确保了目标光斑的匹配性并可以抑制散斑效应,而在混合区域振幅限制阶段则减小了误差。通过在三角形上进行数值仿真,对最终获得的结果进行光学实验仿真,结果表明,改进后的MRAF算法有97.77%高的衍射效率和0.09%低的均方根误差,并且峰值背景比(PBR)由0.0079提高至2.0357,相比基础的MRAF算法,对目标区域外围的散斑抑制效果更好,具有更高的应用价值。