一种涡旋光束模态识别方法、智能终端及存储介质技术

本发明专利技术提供了一种涡旋光束模态识别方法、智能终端及存储介质，所述方法包括：获取待识别涡旋光束的衍射图样；将所述衍射图样输入已训练的涡旋光束模态识别模型中，通过所述涡旋光束模态识别模型得到所述待识别涡旋光束模态数。本发明专利技术通过湍流条件下的衍射图样迭代训练预先建立的卷积神经网络模型得到涡旋光束模态识别模型，然后基于涡旋光束模态识别模型对涡旋光束模态进行识别。涡旋光束模态识别模型具有很强的网络泛化能力，能够快速且准确的检测出湍流条件下畸变涡旋光束的模态，相比于传统模态检测方法具有操作更加简单方便，检测结果效率高等优点，在轨道角动量通信等方面具有广阔的应用前景。

A method of vortex beam mode identification, intelligent terminal and storage medium

【技术实现步骤摘要】
一种涡旋光束模态识别方法、智能终端及存储介质
本专利技术涉及人工智能以及光学
，尤其涉及的是一种涡旋光束模态识别方法、智能终端及存储介质。
技术介绍
涡旋光束因其在各种应用中的潜在优势而受到广泛关注。具有螺旋相位的涡旋光束可以用方位角相位因子exp(ilθ)来表征，并且它的每个光子携带轨道角动量(Orbitalangularmomentum，OAM)，其中l是表征OAM模式的拓扑电荷，θ表示柱坐标系中的方位角。由于光束截面的相位奇异性，涡旋光束呈现出“暗中空”的强度分布。这些空间变化的光场分布使得涡旋光束具有许多独特的光学性质，在粒子捕获和操纵、量子信息以及光通信等领域具有很大的潜力。特别是在光通信领域，涡旋光束的OAM模式理论上无限并且相互正交，这意味着携带OAM的光束可以提供额外的物理自由度来提升通信容量和调制能力。目前很多研究工作已经证明OAM模式能用来提升OAM复用通信中的容量密度。然而，表现为OAM模式快速切换的位移键控通信由于缺乏有效的识别方法而使其应用受到严重阻碍。现有的OAM模式检测技术包括干涉法和衍射法。这类方法可以得到涡旋光束的干涉和衍射图样并通过人眼观测来实现OAM模式的检测。然而由于人眼分辨率的限制，致使OAM模式检测精度、速率不高，检测范围也很有限。并且在自由空间光通信中，涡旋光束的螺旋相位极易受到大气湍流的影响，这将会导致涡旋光束的OAM模式更难识别。因此，现有技术有待于进一步的改进。
技术实现思路
鉴于上述现有技术中的不足之处，本专利技术的目的在于提供一种涡旋光束模态识别方法、智能终端及存储介质，克服现有得到涡旋光束的干涉和衍射图样后通过人眼观测来实现OAM模式的检测，致使OAM模式检测精度、速率不高，检测范围有限；涡旋光束的螺旋相位极易受到大气湍流的影响，导致涡旋光束的OAM模式识别更加困难的缺陷。本专利技术所公开的第一实施例为一种涡旋光束模态识别方法，其中，包括：获取待识别涡旋光束的衍射图样；将所述衍射图样输入已训练的涡旋光束模态识别模型中，通过所述涡旋光束模态识别模型得到所述待识别涡旋光束模态数；所述涡旋光束模态识别模型是基于所述衍射图样与所述涡旋光束模态数的对应关系训练而成。所述的涡旋光束模态识别方法，其中，所述涡旋光束模态识别模型的训练步骤包括：获取待训练和待测试的涡旋光束衍射图样；将所述待训练的涡旋光束衍射图样输入预设的卷积神经网络模型进行迭代训练，得到初始训练的涡旋光束模态识别模型；将所述待测试的涡旋光束衍射图样输入初始训练的涡旋光束模态识别模型中，得到所述待测试的涡旋光束的模态识别结果，并判断所述模态识别结果是否满足预设第一阈值；若是，则得到已训练的涡旋光束模态识别模型。所述的涡旋光束模态识别方法，其中，所述获取待训练和待测试的涡旋光束衍射图样的步骤包括：将激光器产生的杂偏基模高斯光转变为水平偏振的涡旋光束；对所述水平偏振的涡旋光束进行湍流相位加载和远场衍射，得到待训练和待测试的涡旋光束衍射图样。所述的涡旋光束模态识别方法，其中，所述将激光器产生的杂偏基模高斯光转变为水平偏振的涡旋光束的步骤包括：将激光器产生的杂偏基模高斯光转变为水平偏振方向的高斯光；将所述水平偏振方向的高斯光转变为水平偏振的涡旋光束。所述的涡旋光束模态识别方法，其中，所述对所述水平偏振的涡旋光束进行湍流相位加载和远场衍射，得到待训练和待测试的涡旋光束衍射图样的步骤包括：对所述水平偏振的涡旋光束进行湍流相位加载，得到相位畸变的涡旋光束；对所述相位畸变的涡旋光束进行远场衍射，得到待训练和待测试的涡旋光束衍射图样。所述的涡旋光束模态识别方法，其中，所述将所述待训练的涡旋光束衍射图样输入预设的卷积神经网络模型进行迭代训练，得到初始训练的涡旋光束模态识别模型的步骤具体包括：将所述待训练的涡旋光束衍射图样输入预设的卷积神经网络模型中，经过信息前向传播过程得到涡旋光束模态数的预测值；根据所述涡旋光束模态数的预测值和所述涡旋光束模态数的真实值得到损失值，并判断所述损失值是否小于预设第二阈值；若否，则通过误差反向传播过程对所述卷积神经网络模型的参数进行更新直到所述损失值小于预设第二阈值，得到初始训练的涡旋光束模态识别模型。所述的涡旋光束模态识别方法，其中，所述将所述待测试的涡旋光束衍射图样输入初始训练的涡旋光束模态识别模型中，得到所述待测试的涡旋光束的模态识别结果，并判断所述模态识别结果是否满足预设第一阈值；若是，则得到已训练的涡旋光束模态识别模型的步骤还包括：将待测试的涡旋光束衍射图样输入初始训练的涡旋光束模态识别模型中，获取待测试的涡旋光束模态数的预测值；将所述待测试的涡旋光束模态数的预测值与所述待测试的涡旋光束模态数的真实值进行比较，判断初始训练的涡旋光束模态识别模型的模态识别误差是否在预设第一阈值内；若是，则将初始训练的涡旋光束模态识别模型作为已训练的涡旋光束模态识别模型。所述的涡旋光束模态识别方法，其中，所述损失值所对应的损失函数为：L(f(X,θ),Y)＝-∑yilnf(xi,θ)其中，θ表示网络权值参数，X表示涡旋光束的远场衍射图样，f(·)为模型的输出，Y表示网络的理想输出即涡旋光束的真实模态数，xi表示第i个涡旋光束的远场衍射图样，yi表示第i个涡旋光束的真实模态数。一种智能终端，其中，包括：处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述任一项所述的涡旋光束模态识别方法的步骤。一种存储介质，其中，所述存储介质上存储有涡旋光束模态识别方法的控制程序，所述涡旋光束模态识别方法的控制程序被处理器执行时实现任一项所述的涡旋光束模态识别方法的步骤。有益效果，本专利技术提供了一种涡旋光束模态识别方法、智能终端及存储介质，通过湍流条件下的衍射图样迭代训练预先建立的卷积神经网络模型得到涡旋光束模态识别模型，然后基于涡旋光束模态识别模型对涡旋光束模态进行识别，涡旋光束模态识别模型具有很强的网络泛化能力，能够快速且准确的检测出湍流条件下畸变涡旋光束的模态，相比于传统模态检测方法具有操作更加简单方便，检测结果效率高等优点，在轨道角动量通信等方面具有广阔的应用前景。附图说明图1是本专利技术所提供的涡旋光束模态识别方法较佳实施例的流程图；图2是本专利技术所提供的获取待识别涡旋光束的衍射图样及训练和测试涡旋光束模态识别模型的装置结构示意图；图3是本专利技术所提供的预设卷积神经网络模型的结构示意图；图4是本专利技术智能终端的功能原理图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供的一种涡旋光束模态识别方法，可以应用于终端中。其本文档来自技高网...

【技术保护点】
1.一种涡旋光束模态识别方法，其特征在于，包括：/n获取待识别涡旋光束的衍射图样；/n将所述衍射图样输入已训练的涡旋光束模态识别模型中，通过所述涡旋光束模态识别模型得到所述待识别涡旋光束模态数；所述涡旋光束模态识别模型是基于所述衍射图样与所述涡旋光束模态数的对应关系训练而成。/n

【技术特征摘要】
1.一种涡旋光束模态识别方法，其特征在于，包括：
获取待识别涡旋光束的衍射图样；
将所述衍射图样输入已训练的涡旋光束模态识别模型中，通过所述涡旋光束模态识别模型得到所述待识别涡旋光束模态数；所述涡旋光束模态识别模型是基于所述衍射图样与所述涡旋光束模态数的对应关系训练而成。


2.根据权利要求1所述的涡旋光束模态识别方法，其特征在于，所述涡旋光束模态识别模型的训练步骤包括：
获取待训练和待测试的涡旋光束衍射图样；
将所述待训练的涡旋光束衍射图样输入预设的卷积神经网络模型进行迭代训练，得到初始训练的涡旋光束模态识别模型；
将所述待测试的涡旋光束衍射图样输入初始训练的涡旋光束模态识别模型中，得到所述待测试的涡旋光束的模态识别结果，并判断所述模态识别结果是否满足预设第一阈值；若是，则得到已训练的涡旋光束模态识别模型。


3.根据权利要求2所述的涡旋光束模态识别方法，其特征在于，所述获取待训练和待测试的涡旋光束衍射图样的步骤包括：
将激光器产生的杂偏基模高斯光转变为水平偏振的涡旋光束；
对所述水平偏振的涡旋光束进行湍流相位加载和远场衍射，得到待训练和待测试的涡旋光束衍射图样。


4.根据权利要求3所述的涡旋光束模态识别方法，其特征在于，所述将激光器产生的杂偏基模高斯光转变为水平偏振的涡旋光束的步骤包括：
将激光器产生的杂偏基模高斯光转变为水平偏振方向的高斯光；
将所述水平偏振方向的高斯光转变为水平偏振的涡旋光束。


5.根据权利要求3所述的涡旋光束模态识别方法，其特征在于，所述对所述水平偏振的涡旋光束进行湍流相位加载和远场衍射，得到待训练和待测试的涡旋光束衍射图样的步骤包括：
对所述水平偏振的涡旋光束进行湍流相位加载，得到相位畸变的涡旋光束；
对所述相位畸变的涡旋光束进行远场衍射，得到待训练和待测试的涡旋光束衍射图样。


6.根据权利要求2所述的涡旋光束模态识别方法，其特征在于，所述将所述待训练的涡旋光束衍射图样输入预设的卷积神经网络模型进行迭代训练，得到初始训练的涡旋光束模态...

【专利技术属性】
技术研发人员：李瑛，熊文杰，王佩佩，刘俊敏，贺炎亮，陈书青，赵改清，高艳霞，范滇元，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44