通过深度学习方法分阶段式望远镜:应用到可部署的立方卫星
概括
一种新的神经网络 (NN) 方法精确地测量了可部署的立方卫星望远镜中的相位错误. 这种技术使得小型卫星能够进行高分辨率的地球成像,克服了尺寸和成本的限制.
科学领域:
- 光学工程的光学工程.
- 太空技术 太空技术
- 人工智能的人工智能是人工智能.
背景情况:
- 从低地球轨道 (LEO) 进行高分辨率地球成像通常需要大型,昂贵的望远镜光圈.
- 可部署的立方卫星望远镜提供了一个紧的解决方案,但需要精确的镜像分相.
- 在小型平台上,有限的体积和功率限制了传统的分阶段方法.
研究的目的:
- 开发一种计算效率高的方法来测量可部署望远镜中的同相位误差.
- 为了从小型,经济高效的卫星平台上实现衍射有限的成像.
- 为了克服紧系统上传统分阶段技术的限制.
主要方法:
- 开发基于神经网络 (NN) 的算法,用于共相错误检测.
- 使用点源来测量波面误差 (WFE).
- 测试NN模型对高阶偏差和噪声的稳定性.
主要成果:
- 该NN方法准确地检测相位错误,实现目标性能水平 (WFE<15 nm RMS).
- 该技术在异常和噪声的情况下表现出强度.
- 对现有的最先进的分阶段方法进行了性能验证.
结论:
- 已经开发了一个可行的基于NN的解决方案,用于分阶段部署可部署的立方卫星望远镜.
- 这种方法为从小型卫星平台获得衍射有限图像提供了一个现实的途径.
- 能够实现具有成本效益的,高分辨率的地球观测能力.
