到会议室前方的电子白板前，拿起笔开始写。
“老师你们也知道，传统PID反馈的问题在于它依赖误差累积来驱动补偿。”
“积分项在时间尺度上不断累加，真实信号和噪声的边界会因为累加效应逐渐模糊。”
“这是长时间积分下发散的根源，也是算法的底层逻辑容不下长时间尺度的运作。”
他在白板上画了两条曲线。
一条是PID反馈下的噪声漂移曲线，随着时间推移，波动幅度越来越大。
另一条是他设计的预测路径。
在对应时间点上，曲线波动被显著抑制。
许渊看得有些云里雾里。
但陈望山却皱眉看着那张草图沉思。
与此同时。
林决的声音再次传来，
“而我相位场预测补偿的核心思路，是把锁相环路的反馈信号，重新定义为一种具有记忆效应的随机过程。
我们可以不对噪声做瞬时响应，而是用历史数据训练一个状态转移模型。
先让它预测噪声在下一秒的位置，然后提前输出补偿信号。”
他转头看向两人，
“简单说就是.......PID是噪声来了再纠正，我这个方案是噪声还没来，补偿就已经到位了。”
陈望山站起来，走到白板前，仔细看着那两条曲线和新框架的推导逻辑......
然后陈望山眼神变得也有点炙热起来，
“你知不知道......这套框架的思路，之前没有人敢尝试？”
林决笑道，
“是因为风险太高吗老师？”
陈望山点头，
“确实......”
作为国内光学领域大牛。
陈望山早就看过关于状态转移模型方案的弊端。
这个方案在精度上.....
是需要大量训练数据支撑的。
而且频率梳的锁定噪声，在不同工况下的表现差异很大。
如果训练数据覆盖不全面，模型在未知工况下的预测精度会断崖式下跌，锁模状态可能崩得比PID还快。
如果能把这些问题解决掉......
动态预测补偿替代标准PID反馈这个方向，确实可以走通。
不过这一点，之前可没人做到过！
全世界都没有！！！
“框架内的状态转移模型，你打算怎么解决训练数据覆盖面的问题？”
陈望山问。
林决脸上带着自信的笑容，
“先用水木的实验室跑两个月的噪声数据。”
陈望山愣了一下。
水木的光学平台比北大这套还老一代，数据积累时间更长......
确实更加好用。
但问题是.......
林决怎么会知道这个！？
想到这里，陈望山忍不住转头看了许渊一眼。
然后便见许渊忽然抬头看着天花板，仿佛上面有什么有趣的东西一般。
陈望山摇了摇头，没去计较许渊的这点小心思，
“用水木的数据做预训练，用北大的做实时校正，两者工况不同，反而能让模型学到更鲁棒的噪声特征.......可行确实可行，”
说到这里，他顿了顿，
“那林决，模型在未知工况下的预测置信度呢？这个你打算怎么做？”
林决听到这个问题轻轻一笑，似乎已经提前在这里等着他了，
“目前的话.....
打算先用贝叶斯方法，给每个预测输出贴一个置
-->>(第2/3页)（本章未完，请点击下一页继续阅读）