基于PCA-MEA-BP神经网络的大气湍流强度短时估计方法

《Photonics》：Estimate of Short-Term Atmospheric Turbulence Intensity by BP Neural Network

　　

摘要专业翻译 自由空间光通信受到大气湍流的强烈影响，导致光强起伏和光束漂移，降低了系统可靠性。为提高大气折射率结构常数Cn2估计的精度与效率，研究人员采用了一种结合主成分分析（PCA）和思维进化算法（MEA）的反向传播神经网络（BPNN）方法。光强起伏实验于2025年3月6日至16日春季季风过渡期在兰州近地面大气中进行。PCA用于优化输入特征，MEA用于优化BP网络的参数。结果表明，估计值与观测值之间的相关系数超过0.76。PCA将原始80维光斑特征压缩为10个主成分，同时保留了超过95%的累积方差贡献率。PCA-MEA-BPNN的相关系数达到0.7627，比传统BPNN（0.4252）高出0.3375——即提高了33.75个百分点。该方法能够有效再现大气湍流强度的短期变化。这些结果为自由空间光通信系统中的湍流感知与自适应控制提供了技术支撑。本文从以下三个方面展开研究：（1）利用小波变换从实测光斑图像中构建80维特征向量；（2）通过PCA将该特征向量压缩至10个主成分，同时保留超过95%的累积方差贡献率；（3）采用MEA为BPNN寻找最优初始权值和阈值，并利用700米近地链路数据验证了组合方法对Cn2的估计性能。

论文解读文章

一、研究背景与问题提出

自由空间光通信（Free-Space Optical Communication）系统在大气传输过程中会受到大气湍流的显著影响。大气湍流引起的大气折射率随机起伏会导致激光束发生闪烁、漂移和抖动等现象，破坏光波的相干性，从而降低激光通信的可靠性和有效性。因此，定量评估大气湍流强度对于提升通信系统可靠性至关重要。

目前主流的大气湍流强度估计模型可分为三类：一是基于激光强度变化特性的分析方法；二是应用莫宁-奥布霍夫相似理论（Monin-Obukhov Similarity Theory）的方法；三是统计回归方法。这三类方法均以折射率结构常数C_n²为核心参数，通过多维参数组合实现对湍流强度的分级评估。然而，现有方法在预测精度和鲁棒性方面仍存在不足，尤其是在捕捉日出日落等急剧变化时段的大气湍流特征方面表现有限。因此，开发一种基于简单观测数据反演折射率结构常数的高效、高精度方法，成为解决这一挑战的有效技术途径。

二、研究内容与主要结论

研究人员基于反向传播神经网络（Back Propagation Neural Network, BPNN）框架，整合了思维进化算法（Mind Evolutionary Algorithm, MEA）和主成分分析（Principal Component Analysis, PCA）技术，利用2025年3月6日至16日在兰州的近地面大气观测数据，实现了对2025年3月10日折射率结构常数C_n²的精确预测，并通过实测数据验证了模型的有效性。研究结果表明，所提出的混合算法能够很好地适用于兰州地区大气湍流参数的反演，为该区域光传输介质中的湍流参数重构提供了可靠的技术手段。

三、关键技术方法

研究人员采用了三项核心技术方法：

1. 1.
   小波变换（Wavelet Transform）：通过对原始激光光斑图像进行两级离散小波分解，从每个光斑图像中提取出80维特征向量。具体包括：第一级分解的低频分量统计值（第1-10维）以及水平（第11-20维）、垂直（第21-30维）、对角（第31-40维）方向的高频分量统计值；第二级分解的低频分量统计值（第41-50维）以及水平（第51-60维）、垂直（第61-70维）、对角（第71-80维）方向的高频分量统计值。
2. 2.
   主成分分析（PCA）：针对80维数据集，利用正交投影矩阵将高维特征映射至10维子空间，累计贡献率超过95%。经降维后，将10维激光光斑特征向量与对应的折射率结构常数值融合，构建联合特征矩阵。
3. 3.
   思维进化算法（MEA）优化的BP神经网络（BPNN）：在继承遗传算法“群体智能”和“进化机制”核心思想的基础上，引入“趋同”（similartax）和“异化”（dissimilation）策略，模拟人类认知中的知识积累与突破机制，有效提升了搜索效率并缓解了早熟收敛问题。模型采用15个隐含节点，学习率为0.1，种群规模为250，包含5个优胜子种群和5个临时子种群协同进化，经过10次迭代训练达到预设精度阈值。

实验系统部署于兰州狼公坪地区，发射端位于某综合楼17层楼顶，接收端设于某小区34号楼24层平台，两点间水平距离700米，传输路径覆盖足球场、居民区和柏油路等平坦地形，无遮挡物。发射设备使用532 nm波长绿色激光器（最大输出功率830 mW），接收终端配备MV-VD120SC工业CCD相机（分辨率1280×960像素，采集速率15帧/秒）和PD300光功率计（探测孔径10×10 mm，光谱响应430-1000 nm，响应时间0.2 s）。

四、研究结果

3.1 实验结果

研究人员使用了2025年3月12日20:00至3月13日22:00共26小时的折射率结构常数实测数据，总计约8860条记录（其中7460条用于训练，1240条用于测试）。PCA-MEA-BPNN模型经过20次训练，取平均值作为最终估计值。结果显示，PCA-MEA-BPNN模型能够有效捕捉日出和日落时刻折射率结构常数C_n²的急剧变化，其整体趋势与实测值吻合良好，在折射率结构常数估计方面取得了令人满意的效果。

3.2 对比分析

研究人员选取了Elman神经网络、BPNN和支持向量机（SVM）模型作为对比模型，各模型分别运行10次，取平均预测结果进行分析。结果表明：单独使用BPNN时，虽然主要趋势一致，但估计结果中存在大量异常波动，与实测值的相关系数仅为42%；MEA-BPNN模型改善了趋势一致性，但仍存在鲁棒性问题，相关系数为62%；Elman模型的趋势吻合度较差，存在大量异常波动，相关系数仅为40%；而混合PCA-MEA-BPNN模型表现最优，其估计曲线紧密跟随实测值的时间分布，相关系数显著提升至76%。这一系统性比较验证了融合特征降维与智能优化策略的混合模型在折射率结构常数估计中的优越性。

五、结论总结

本研究建立了基于BPNN的预测模型作为基础框架，并从两个角度进行了优化：在数据预处理方面，PCA将原始80维特征降至10维，有效消除了冗余信息，使BPNN预测与实测值的相关系数从42.52%提升至48.72%；在算法优化方面，PCA-MEA-BPNN混合模型取得了突破性进展，相关系数达到76.27%，较原始模型提高了33.75个百分点。该组合方法解决了传统BPNN易陷入局部最优和特征冗余等问题，为高精度大气湍流参数预测提供了创新解决方案。

此外，所提出的模型能够忠实再现常规统计回归方法通常会平滑掉的日出和日落前后折射率结构常数的急剧变化。这一能力与自由空间光通信系统中的实时湍流感知和自适应控制直接相关，也是该方法除了原始估计精度之外的实际驱动力。

本研究基于激光传输实验提出了结合BPNN、MEA和PCA的方法，有效表征了兰州地区的大气湍流强度。未来工作将聚焦于恶劣天气条件（如雨、雪和沙尘暴）下的激光传输实验，为本地区激光通信系统提供参考数据。