自准直角度测量技术具有精度高、测量速度快、结构简单、非接触测量等优点,广泛应用于各种精密角度测量领域。在大角度自准直角度测量中,由于自准直系统轴外像差导致测量结果具有明显的非线性误差,全量程测量精度难以进一步提高。因此,减小自准直系统轴外像差并补偿其对测量结果的误差,对提高自准直测量精度、扩大自准直量程具有重要的意义。本课题“基于监督学习的大量程自准直补偿算法研究”主要针对上述大量程自准直测量系统全量程测量精度难以进一步提高的问题,建立基于矢量运算的自准直理论模型,分析大量程自准直角度测量过程中的主要误差源对角度测量结果的影响规律;基于监督学习原理,研究适用于大量程自准直角度测量的误差补偿算法,减小自准直系统轴外像差对测量精度的影响,进而实现减小全量程非线性误差,扩大自准直量程的目的,为大量程高精度自准直技术提供理论依据与指导。具体研究内容包括:1.针对目前通用的自准直模型在大量程自准直角度测量下,自准直系统各误差源对测量结果影响的分析与研究不够完善的问题,建立基于矢量运算的自准直数学模型,研究大量程自准直系统主要误差源对角度测量误差的影响规律;2.研究适用于大量程自准直系统的误差补偿算法。讨论大量程自准直系统中轴外像差对角度测量的影响,建立基于全连接神经网络模型的大量程自准直成像光斑像差系数与角度测量误差之间的函数关系,利用成像光斑像差系数对角度测量误差进行预测,进而实现补偿角度测量误差,减小非线性的功能;3.搭建自准直角度测量系统,对全量程下自准直光斑像差系数进行测量,利用所建立的角度测量误差模型训练误差补偿算法,比较加入误差补偿算法前后自准直角度测量误差变化。经算法补偿后自准直系统的测量误差在±800″量程范围内角度测量误差由原来的9.79″减小为0.50″,验证补偿算法的有效性。