[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的多模渦旋光束解復(fù)用方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110028012.5
• 申請(qǐng)日: 2021-01-11
• 公開（公告）號(hào): CN112861634A
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計(jì)）人: 袁旭東;許亞光;趙瑞智;陳涌創(chuàng);秦亦強(qiáng);張超;朱永元;馮霞;鄒謹(jǐn)成;洪煦昊;馬藝冰
• 申請(qǐng)（專利權(quán)）人: 南京大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06F30/27;G06N3/04;G06N3/08;G06F111/10
• 代理公司: 南京正聯(lián)知識(shí)產(chǎn)權(quán)代理有限公司 32243
• 代理人: 盧霞

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的多模渦旋光束解復(fù)用方法，其特征在于，包括以下步驟：

步驟1：依照多模渦旋光束的表達(dá)式進(jìn)行數(shù)據(jù)仿真，構(gòu)建數(shù)據(jù)集；

步驟2：根據(jù)合適的思路設(shè)計(jì)深度卷積神經(jīng)網(wǎng)絡(luò)，通過對(duì)輸入圖像進(jìn)行深度學(xué)習(xí)算法的運(yùn)算，得到與振幅有關(guān)的結(jié)果；

步驟3：根據(jù)訓(xùn)練效果對(duì)模型的可調(diào)參數(shù)進(jìn)行修改，在測(cè)試集上進(jìn)行測(cè)試，直到模型測(cè)試的精確度達(dá)到預(yù)期水平。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的多模渦旋光束解復(fù)用方法，其特征在于，所述步驟1包括以下步驟：

步驟1.1：本方案中的多模渦旋光束采用p量子數(shù)為0的LG光束，依照其數(shù)學(xué)公式進(jìn)行數(shù)據(jù)仿真，具體公式如下：

其中，u_n為p＝0的LG光束，a_n是LG光束的振幅；同時(shí)u_n的表達(dá)式如下：

其中，l為軌道量子數(shù)，r為徑向距離，為方位角，z為傳播距離；L^l是拉蓋爾多項(xiàng)式，是瑞利距離；

步驟1.2：將生成的多模式復(fù)用圖像與每個(gè)模式的振幅占比作為標(biāo)簽構(gòu)建數(shù)據(jù)集，其中訓(xùn)練集和測(cè)試集的數(shù)據(jù)占比為7∶3。

3.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的多模渦旋光束解復(fù)用方法，其特征在于，步驟2包括對(duì)輸入圖像進(jìn)行特征提取、特征表達(dá)以及振幅向量映射，具體為：

步驟2.1：對(duì)輸入圖像I₀(x₀，y₀)進(jìn)行卷積操作，卷積核大小為3×3，映射到32維空間，激活函數(shù)使用Relu函數(shù)進(jìn)行非線性調(diào)制；卷積操作后通過批歸一化層(BN層)進(jìn)行歸一化操作；之后使用最大化池化層對(duì)數(shù)據(jù)進(jìn)行下采樣，得到向量I^[32](x^[32]，y^[32])；上角標(biāo)32表示該向量有32維，單維的向量大小為31×31；

步驟2.2：I^[32]代入卷積神經(jīng)子網(wǎng)絡(luò)進(jìn)行計(jì)算，得到與振幅有關(guān)的向量上角標(biāo)256表示兩個(gè)向量有256維，單維的向量大小為2×2；其中，子網(wǎng)絡(luò)分成3個(gè)網(wǎng)絡(luò)塊，每個(gè)網(wǎng)絡(luò)塊包括一個(gè)卷積層、批歸一化層和最大池化層；卷積核的大小設(shè)為3×3，激活函數(shù)為Relu；卷積層的維度數(shù)分別設(shè)置為64，128，256；

步驟2.3：將進(jìn)行一維展開，得到一維向量分別通過3個(gè)全連接層進(jìn)行計(jì)算后，得到得到振幅占比向量全連接層的參數(shù)輸出尺寸分別為512，64和n，其中n表示復(fù)用的渦旋光束模式數(shù)；全連接層的激活函數(shù)分別為Relu，Relu和Sigmoid。

4.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的多模渦旋光束解復(fù)用方法，其特征在于，所述步驟3中具體實(shí)現(xiàn)方式為：

步驟3.1：設(shè)置模型初始參數(shù)：訓(xùn)練輪次epoch＝30，訓(xùn)練批次大小batch_size＝32，學(xué)習(xí)率learning_rate＝0.0001，優(yōu)化函數(shù)為Adam，輸出的激活函數(shù)為Sigmoid；損失函數(shù)基于均方差公式表示為：

其中，y_Ao為振幅預(yù)測(cè)值，y_At為振幅真實(shí)值；

步驟3.2：根據(jù)模型的訓(xùn)練效果修改相應(yīng)的參數(shù)，使得訓(xùn)練精度最佳；

步驟3.3：將訓(xùn)練好的模型保存，將測(cè)試集的數(shù)據(jù)帶入模型運(yùn)行，查看測(cè)試精度是否在訓(xùn)練精度附近，如果明顯低于訓(xùn)練精度，則模型過擬合，重新訓(xùn)練重復(fù)上述步驟，直至測(cè)試精度最佳。