[發明專利]干涉與卷積神經網絡混合方案測量方法

有效

• 申請號: 202011640018.X
• 申請日: 2020-12-31
• 公開（公告）號: CN112836422B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 楊元杰;付鑫;董淼
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/14;G06N3/04
• 代理公司: 成都君合集專利代理事務所(普通合伙) 51228
• 代理人: 尹新路

本發明公開了一種干涉與卷積神經網絡混合方案測量方法，針對基于卷積神經網絡(CNN)的自由空間光通信，提出了一種將平面波與渦旋光干涉和CNN相結合的方案，以實現大氣湍流環境下的多路渦旋光束的有效識別。研究了多路渦旋光束在不同湍流水平下的識別性能，驗證了方案的可行性和高效性。此外，還研究了多路大小相同、符號相反的LG光束在不同湍流水平下的識別性能，驗證了該方案的優勢。模擬仿真表明，在弱到中湍流水平下，采用干涉方法能直接通過讀出LG光束的拓撲荷，能減少三分之二的工作量，大大提高效率。

技術領域

本申請涉及一種干涉與卷積神經網絡混合方案測量方法，具體涉及拉蓋爾高斯光束混合方案測量領域。

背景技術

自從Alen等人在1992年證明了拉蓋爾高斯光束具有明確的軌道角動量為lh，(其中l是拓撲電荷數，h＝h/2π，h為普朗克常量)這引起了研究者們對渦旋光的極大關注。由于OAM態的維度是無限大的和不同OAM模式相互正交，這為未來實現大容量光通信提供了潛在的解決方案。又由于渦旋光具有特殊的螺旋相位波前特性，OAM從LG光束轉移到捕獲粒子，使粒子旋轉，這在光學微操作上提供了新的思路。此外，光學成像、天文學等領域也有廣泛應用。

最近，卷積神經網絡成為視覺物體識別的主要機器學習方法。針對OAM識別，將卷積神經網絡(CNN)應用于OAM光通信來實現LG光束的高效解調，通過AlexNet模型，訓練為OAM解調器，同時與傳統共軛解調方法進行對比，其準確率遠高于傳統方法。由于基于OAM的光通信系統的性能容易受大氣湍流影響，使得OAM譜發生色散，導致數據傳輸的串擾和更大的誤碼。

通常，以上的研究，都需要采集大量的強度圖片，然后送入卷積神經網絡進行訓練，最后再進行解調。而且如果卷積神經網絡很深，就需要大量的時間來進行CNN訓練。因此，與以上工作不同的是，我們的工作通過平面波與渦旋光干涉后再經過大氣湍流傳輸，利用CCD采集到的強度圖，在中湍流和弱湍流水平下，能直接準確讀出拓撲荷的數值。然后在強湍流時，我們利用CNN進行識別。通過對不同湍流水平下識別性能的研究，我們驗證了該方案的可行性，并且還研究了拓撲荷符號相反，大小相同的渦旋光在與平面波干涉后再在湍流信道傳輸，該方案具有更高的識別精度，為實際的基于OAM的通信系統的拓撲荷識別提供了新的思路。

發明內容

干涉與卷積神經網絡混合方案測量方法，根據平面波前斜入射時與x軸所成角度，建立渦旋光束的表達式E₁和簡化的渦旋光束的表達式E₂；計算干涉場的光強I；采用在光束傳播路徑中插入隨機相位屏來模擬湍流信道，功率譜模型：

其中k_x,k_y分別是x方向和y方向的波數，(l₀為大氣湍流內尺度)，L₀為大氣湍流外尺度。折射率結構常數是對折射率波動強度的度量。

近似計算相位的功率譜密度，在發射端，模擬了一束高斯光，然后照射到加載有全息片的反射式液晶空間光調制器(SLM)上，將高斯光調制成相應的渦旋光，可以通過控制全息片上光柵圖像實現生成不同拓撲荷(比如l＝1,2,3,4K)的LG光束。緊接著用平面波斜入射，與LG光束干涉，干涉后的強度圖會出現分叉。隨著拓撲荷的改變，分叉的數目也會改變。然后干涉后的LG光束在自由空間大氣湍流信道中傳輸，而該信道是通過在傳輸路徑上插入隨機相位屏來模擬的。

在接收端，通過CCD采集經過大氣湍流傳輸后的光強度圖像。此時是我們設計這個方法的關鍵，即通過觀察光強度圖像，就可以直接識別出大部分LG光束的拓撲荷值，對應于湍流強度的弱和中。當強湍流時，我們不能直接識別，接下來聯合CNN來輔助識別強湍流下的LG光束拓撲荷值，這樣我們就只需采集強湍流下的光強度圖像來訓練。

將強湍流下采集到的干涉后的強度圖和不同湍流水平下沒有干涉的強度圖，分別送入CNN。每種情況包含5000張圖片，其中4000張用于訓練，1000張用于測試。