[發明專利]一種基于神經網絡的多模渦旋光束解復用方法

在審

• 申請號: 202110028012.5
• 申請日: 2021-01-11
• 公開（公告）號: CN112861634A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 袁旭東;許亞光;趙瑞智;陳涌創;秦亦強;張超;朱永元;馮霞;鄒謹成;洪煦昊;馬藝冰
• 申請（專利權）人: 南京大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06F30/27;G06N3/04;G06N3/08;G06F111/10
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 盧霞

本發明公開一種基于神經網絡的多模渦旋光束解復用方法，包括以下步驟：依照多模渦旋光束的表達式進行數據仿真，構建數據集；設計深度卷積神經網絡，對輸入圖像進行卷積操作提取高階特征并用下采樣處理壓縮數據量，得到低維向量，對局部特征進行增強和提?。粚⑵浯刖矸e神經子網絡結構進行高階特征表征，進一步提取其中所保留的振幅與強度分布的聯系，得到與振幅相關的高維向量；將高維向量按順序一維展開，通過全連接層將學習到的特征映射到數據標簽空間上，最終得到振幅占比向量；根據訓練效果對模型的可調參數進行修改，使模型表現最優。這種解復用方法可以在較復雜的多模式耦合情況上表現更好，可以憑借輸入圖像解析出每個模式的振幅，改進光通訊的效果。

技術領域

本發明涉及光通訊領域、渦旋光通信領域，尤其涉及一種基于神經網絡的多模渦旋光束解復用方法。

背景技術

目前的光通訊技術中，密集波分復用方法通過將載有信息但是波長不同的多個光信號合成一束傳輸，擴大了光通信容量，是主要的應用手段。但是由于其傳輸容量逐漸逼近信道的香農極限，日益緊迫的帶寬需求催生了新的擴展信道技術研究。

自從攜帶軌道角動量的渦旋光束(OAM光)被發現以來，關于渦旋光束的研究得到了迅速的發展。渦旋光束的典型特征是具有沿著角向線性變化的螺旋相位e^ilθ，其中θ是方位角，l是光束的軌道量子數，用來表征渦旋光束的本征態。由于不同l量子數的渦旋光束本征態相互正交，可以各自攜帶不同的信息而互不影響，因此為光通訊領域的信道擴展技術提供了一個新的可利用維度，使得通過模分復用來增加光通信能力的方法成為可能。

渦旋光束的解復用在物理實現上一般用反相位板法和達曼光柵法。反相位板法只能對單一渦旋光束模式進行測量，不滿足于光通訊中多種模式耦合時需要解復用的情況；達曼光柵法雖然適用于復用情況，但是能量效率很低。此外，一種基于從直角坐標到極坐標的幾何變換方法也被提了出來，適用于復用情況且能量利用率達到100％，但是相鄰模式間會存在串擾的情況，降低了識別的準確度。針對這些情況，鑒于深度學習在圖像識別上強大的能力，研究者們引入深度學習算法來作為渦旋光束的解碼器/解復用方法。研究顯示，深度學習在渦旋光束的單一模式測量識別上有很高的精度，同時對在自由空間中傳播時遇到的大氣湍流有很好的抗干擾作用。但是對于更一般化的多模式復用方法的研究則較少涉及到，直接用單一模式情況中的深度學習算法進行測量時會面臨精度下降的問題，因此需要對多模式復用的方向做進一步研究。

發明內容

本發明的目的是針對現有深度學習解復用方法中存在的不足，提供了一種基于卷積神經網絡的多模渦旋光束解復用方法，該方法在多模式解復用中有非常高的精度。

本發明提供一種基于卷積神經網絡的多模渦旋光束解復用方法，包括以下步驟：

步驟1：依照多模渦旋光束的表達式進行數據仿真，構建數據集；

步驟2：根據合適的思路設計深度卷積神經網絡，通過對輸入圖像進行深度學習算法的運算，得到與振幅有關的結果；

步驟3：根據訓練效果對模型的可調參數進行修改，在測試集上進行測試，直到模型測試的精確度達到預期水平。

進一步地，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量子數為0的LG光束，依照其表達式進行數據仿真，具體表達式如下：

其中，u_n為p＝0的LG光束，a_n是LG光束的振幅，；同時u_n的公式如下：

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