基于湍流效应的光学轨道角动量机器学习识别方法技术

本发明专利技术公开一种基于湍流效应的光学轨道角动量机器学习识别方法，解决了现有机器学习方法识别轨道角动量模式时需要庞大的训练样本，且难以实现多种湍流环境同步识别的问题。实现包括：在数值模拟条件下获得训练样本；采用遗传算法利用特征向量训练出参数更优化的支持向量机多分类模型；利用训练完成的支持向量机多分类模型进行轨道角动量识别；对识别范围较大的图像进行分组联合识别。本发明专利技术将物理机制和机器学习相结合用于光学轨道角动量识别。能够有效地识别多种大气湍流环境中涡旋光束的轨道角动量模式数，准确度远高于传统光学检测方法，相较于基于图像算法的机器学习方法，能有效减少训练样本，且学习难度更小。用于自由空间光通信。

【技术实现步骤摘要】
基于湍流效应的光学轨道角动量机器学习识别方法
本专利技术属于光通信
，主要涉及光学轨道角动量的高效识别，具体是一种基于湍流效应的光学轨道角动量机器学习识别方法，用于基于光学轨道角动量的自由空间光通信。
技术介绍
随着光信息技术的迅猛发展，信息交换方式不断增加，信息范围不断拓展，人们对信息传输量、信息安全性和保密性的需求不断提高，这导致光信息的传输通道由空间受限的光纤介质向空间无限或半无限的大气和水体介质中延伸，光信息的载体也在传统自由度(振幅、频率、偏振与相位等)中增加了轨道角动量这一新型自由度。相比较传统利用偏振自由度加载信息，利用轨道角动量这一新自由度可以承载任意位的光信号或在单一频率的光通信链路上实现多路信息传递，这为进一步提高现有光通信技术的频谱利用率和信息容量提供了一个理想的发展方向，基于轨道角动量的光通信技术拥有巨大的潜力和广阔的应用市场。具有螺旋型相位波前分布的涡旋光束可以携带轨道角动量，随着涡旋光束的产生技术及轨道角动量的模式传输、接收和分离技术的不断成熟，光通信技术对光学轨道角动量的利用必将引起一场新的技术革命。本文档来自技高网...

【技术保护点】
1.一种基于湍流效应的光学轨道角动量机器学习识别方法，其特征在于：结合物理机制与机器学习，具体包括如下步骤：/n(1)获得光强分布，数值计算得到激光大气湍流效应作为特征向量，得到训练样本：通过多层湍流随机相位屏仿真方法实现高斯波束和涡旋光束大气湍流传输模拟，获得同一湍流环境下识别范围内的涡旋光束和高斯波束的光强分布(高斯光束作为信标光)，根据随机介质激光湍流传输理论，对接收到的光强分布进行数值计算，分别计算得到涡旋光束和高斯波束在大气湍流环境中各自的波束扩展、波束漂移和闪烁指数六个特征向量，改变模拟条件，重复多次得到大量训练样本；/n(2)采用遗传算法，并利用特征向量训练出参数更优化的支持向量...

【技术特征摘要】
1.一种基于湍流效应的光学轨道角动量机器学习识别方法，其特征在于：结合物理机制与机器学习，具体包括如下步骤：
(1)获得光强分布，数值计算得到激光大气湍流效应作为特征向量，得到训练样本：通过多层湍流随机相位屏仿真方法实现高斯波束和涡旋光束大气湍流传输模拟，获得同一湍流环境下识别范围内的涡旋光束和高斯波束的光强分布(高斯光束作为信标光)，根据随机介质激光湍流传输理论，对接收到的光强分布进行数值计算，分别计算得到涡旋光束和高斯波束在大气湍流环境中各自的波束扩展、波束漂移和闪烁指数六个特征向量，改变模拟条件，重复多次得到大量训练样本；
(2)采用遗传算法，并利用特征向量训练出参数更优化的支持向量机多分类模型：采用全局构建方法构建一个支持向量机多分类模型，利用遗传算法对支持向量机模型进行参数优化；以同一大气湍流环境中高斯波束和涡旋波束各自的波束扩展、波束漂移和闪烁指数作为六个特征向量，并将涡旋光束对应的轨道角动量模式数作为特征值对支持向量机多分类模型进行训练，利用大量训练样本，训练并得出更优化的准确的湍流环境中光学轨道角动量模式数识别支持向量机模型；
(3)利用训练完成的支持向量机多分类模型进行光学轨道角动量识别：针对待识别的同一大气湍流环境下的高斯光束和涡旋光束的光强分布，经数值计算后分别得到各自的波束扩展、波束漂移和闪烁指数，将这六组数据作为特征向量输入到训练好的支持向量机模型中进行检测，支持向量机模型输出结果为识别范围内对应涡旋光束的轨道角动量的标签，即该涡旋光束的轨道角动量模式数；
(4)对光学轨道角动量识别范围较大的图像进行分组联合识别：在待识别光学轨道角动量范围较大时，简称为大范围识别对象，将该较大的识别范围平均分为几个连续的小范围，简称为小范围识别对象；针对大范围识别对象执行步骤1-2建立并得到大范围的轨道角动量模式数支持向量机识别模型，简称大范围识别模型，再依次对小范围识别对象执行步骤1-2建立并得到支持向量机识别模型，简称小范围识别模型，将建立的所有模型称为联合识别模型；在对光学轨道角动量模式数进行识别时，首先使用大范围识别模型执行步骤3进行初步识别得到精度不高的识别结果，再判断初步识别结果落入哪个小范围识别模型的识别范围内，选择对应的小范围识别模型执行步骤3进行更精确的轨道角动量模式数识别，即分组联合识别，对于识别范围较大的光强分布完成识别精度更高的轨道角动量模式数识别。


2.根据权利要求1所述的基于湍流效应的光学轨道角动量机器学习识别方法，其特征在于，步骤(2)所述的采用遗传算法利用特征向量训练出参数更优化的支持向量机多分类模型，具体包括如下步骤:
(2a)首先构建支持向量机多分类模型：采用全局构建方法构建一个分类器来区分多类样本，利用拉格朗日展开，得到支持向量机多分类模型：



式中k表示第k个类型，k＝1,2,3,…,n；wk为第k个类型的权重向量；bk为第k个类型的偏置；m＝argmax{[(x·w1)+b1],…,[(x·wn)+bn]},m≠k，x表...

【专利技术属性】
技术研发人员：程明建，耿思琦，郭立新，孙日东，李江挺，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61