一种基于神经网络的多模涡旋光束解复用方法技术

本发明专利技术公开一种基于神经网络的多模涡旋光束解复用方法，包括以下步骤：依照多模涡旋光束的表达式进行数据仿真，构建数据集；设计深度卷积神经网络，对输入图像进行卷积操作提取高阶特征并用下采样处理压缩数据量，得到低维向量，对局部特征进行增强和提取；将其代入卷积神经子网络结构进行高阶特征表征，进一步提取其中所保留的振幅与强度分布的联系，得到与振幅相关的高维向量；将高维向量按顺序一维展开，通过全连接层将学习到的特征映射到数据标签空间上，最终得到振幅占比向量；根据训练效果对模型的可调参数进行修改，使模型表现最优。这种解复用方法可以在较复杂的多模式耦合情况上表现更好，可以凭借输入图像解析出每个模式的振幅，改进光通讯的效果。

【技术实现步骤摘要】
一种基于神经网络的多模涡旋光束解复用方法
本专利技术涉及光通讯领域、涡旋光通信领域，尤其涉及一种基于神经网络的多模涡旋光束解复用方法。
技术介绍
目前的光通讯技术中，密集波分复用方法通过将载有信息但是波长不同的多个光信号合成一束传输，扩大了光通信容量，是主要的应用手段。但是由于其传输容量逐渐逼近信道的香农极限，日益紧迫的带宽需求催生了新的扩展信道技术研究。自从携带轨道角动量的涡旋光束(OAM光)被发现以来，关于涡旋光束的研究得到了迅速的发展。涡旋光束的典型特征是具有沿着角向线性变化的螺旋相位eilθ，其中θ是方位角，l是光束的轨道量子数，用来表征涡旋光束的本征态。由于不同l量子数的涡旋光束本征态相互正交，可以各自携带不同的信息而互不影响，因此为光通讯领域的信道扩展技术提供了一个新的可利用维度，使得通过模分复用来增加光通信能力的方法成为可能。涡旋光束的解复用在物理实现上一般用反相位板法和达曼光栅法。反相位板法只能对单一涡旋光束模式进行测量，不满足于光通讯中多种模式耦合时需要解复用的情况；达曼光栅法虽然适用于复用情况，但是能量效率很本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的多模涡旋光束解复用方法，其特征在于，包括以下步骤：/n步骤1：依照多模涡旋光束的表达式进行数据仿真，构建数据集；/n步骤2：根据合适的思路设计深度卷积神经网络，通过对输入图像进行深度学习算法的运算，得到与振幅有关的结果；/n步骤3：根据训练效果对模型的可调参数进行修改，在测试集上进行测试，直到模型测试的精确度达到预期水平。/n

【技术特征摘要】
1.一种基于卷积神经网络的多模涡旋光束解复用方法，其特征在于，包括以下步骤：
步骤1：依照多模涡旋光束的表达式进行数据仿真，构建数据集；
步骤2：根据合适的思路设计深度卷积神经网络，通过对输入图像进行深度学习算法的运算，得到与振幅有关的结果；
步骤3：根据训练效果对模型的可调参数进行修改，在测试集上进行测试，直到模型测试的精确度达到预期水平。


2.根据权利要求1所述的基于卷积神经网络的多模涡旋光束解复用方法，其特征在于，所述步骤1包括以下步骤：
步骤1.1：本方案中的多模涡旋光束采用p量子数为0的LG光束，依照其数学公式进行数据仿真，具体公式如下：



其中，un为p＝0的LG光束，an是LG光束的振幅；同时un的表达式如下：






其中，l为轨道量子数，r为径向距离，为方位角，z为传播距离；Ll是拉盖尔多项式，是瑞利距离；
步骤1.2：将生成的多模式复用图像与每个模式的振幅占比作为标签构建数据集，其中训练集和测试集的数据占比为7∶3。


3.根据权利要求1所述的基于卷积神经网络的多模涡旋光束解复用方法，其特征在于，步骤2包括对输入图像进行特征提取、特征表达以及振幅向量映射，具体为：
步骤2.1：对输入图像I0(x0，y0)进行卷积操作，卷积核大小为3×3，映射到32维空间，激活函数使用Relu函数进行非线性调制；卷积操作后通过批归一化层(BN层)进行归一化操作；之后使用最大化池化层...

【专利技术属性】
技术研发人员：袁旭东，许亚光，赵瑞智，陈涌创，秦亦强，张超，朱永元，冯霞，邹谨成，洪煦昊，马艺冰，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32