基于深度学习的高保真全息轨道角动量通信方法技术

本发明专利技术所涉及的基于深度学习的高保真全息轨道角动量通信方法，属于深度学习、信息加密领域。本发明专利技术提出了一种轨道角动量全息图编码和深度学习解码的全息轨道角动量通信方法。通过将轨道角动量信息和图像信息编码为不同的全息图，经过传播后，在接收端，被编码的全息图通过训练好神经网络的全息图重建出高质量图像。另一方面，全息图携带的轨道角动量信息被神经网络转换序列信息，并且解码成灰度图像或序列码。本发明专利技术提出的通信方法可以用于扩展通信信道，提高通信安全性。本方法可以应用于加密的数字调制/解调，信息加密领域，并可以扩展信道传输容量。展信道传输容量。展信道传输容量。

【技术实现步骤摘要】
基于深度学习的高保真全息轨道角动量通信方法


[0001]本专利技术涉及基于深度学习的高保真全息轨道角动量通信方法，属于深度学习、信息加密领域。

技术介绍

[0002]轨道角动量(OAM)由于其螺旋相位波前和长距离无衍射的甜甜圈强度，在光学控制，计算全息，数据通信，超分辨率显微等各种应用中引起了越来越多的兴趣。携带OAM的光束，也称为涡旋光束，可以用exp(ilφ)描述，其中表示方位角，拓扑电荷l是整数。拓扑电荷表示光束在一个螺旋螺距内的螺旋相位的周期数，包括相位。轨道角动量通信技术可以极大地提高通信系统信道的容量和效率。因此，在通信中，轨道角动量技术得到了快速的发展。随着技术的进步，单纯的轨道角动量的信道正在逐渐接近通信容量的上限，并且，由于其自由空间通信的开放性，使得其安全性也需要进一步提升。由于OAM不同拓扑电荷之间的正交性，彼此之间相互不干扰，因此它可以提供无限的信息容量。这同时也促进了光通信和涡旋激光器等新应用。同时，OAM在光学全息加密和存储中也起着至关重要的作用，并且在信息传输过程中可以具有很高的安全性和保真度。例如，轨道角动量加密的超表面全息图可以在不同的涡旋光束照射下重建多个图像。这大大拓展了轨道角动量通信的维度以及复杂性，因此保证了通信的信道容量和安全性。基于这些优点，它被进一步视为计算全息光通信的新自由度。然而，使用不同的轨道角动量在自由空间光学中作为编码，在解密过程中仍然面临其精度和计算时间和成本的挑战。在这种情况下，值得开发用于OAM解读和光学安全应用的新颖技术。
[0003]深度学习(DL)是机器学习的一个重要分支。它通过构建多层网络模型，使众多神经元连接在一起来学习输入数据的复杂抽象特征。在许多领域，深度学习都有广泛的应用。比如DL成为提高光学显微成像分辨率，计算成像质量，逆向设计问题效率，全息图生成和重建，纳米材料结构分析和优化的先进技术的有效工具。通常，基于神经网络的深度学习具有学习复杂结构，特征提取等优势。因此，学习方法经常用于图像处理，无密钥解密，语义分割和识别和主动决策，图像分类等。但是，使用机器学习方法对超高效全息通信和信息传输进行解码仍处于起步阶段。

技术实现思路

[0004]本专利技术的目的是提供一种基于深度学习的高保真全息轨道角动量通信方法，该方法首先在计算机生成的全息图(CGH)中对一系列具有不同拓扑电荷的OAM进行编码。由OAM编码的这种CGH可提高信息存储容量并确保高安全性。因此，单个加密的全息图将存储一个OAM信息。一系列的OAM信息可组合成数字序列或者灰度值信息。这样的加密方法使窃听者难以解密全息图信息，从而导致传输期间的安全性极高。序列化编码可以与加密的全息图一一对应。为清楚展示其在图像传输中的应用，在CGH编码过程中设置十六个不同的OAM，分别十六进制数为0到15。(也可以设置其他任意组合的OAM数，并且OAM的拓扑电荷数可以是
任意的，甚至是分数阶)每两个全息图可以代表一组两个十六进制数字，相当于十进制的256位。也就是说，在发送端用两字节的十六进制数字将一系列灰度图像信息(0
‑
255)编码为全息图序列。借助于神经网络的强大的学习和泛化能力，在接收端，一方面可以由训练完善的全息重建网络(OAM
‑
HRN)来重建被加密的全息图，得到高质量的重建像。另一方面，序列全息图作为一维十六进制数字通道携带的一系列拓扑电荷数(轨道角动量信息)被全息通信网络(OAM
‑
HCN)读出。这样，便可以转换读出的轨道角动量信息以恢复成灰度图像。本专利技术提供的方法拓宽了全息通信的信道，并且通过OAM编码的全息图在通信过程中具有出色的安全性和保真度。如附图1所示，展示了基于神经网络与OAM编码的全息通信以及解密的示意图。
[0005]本专利技术目的是通过下述技术方案实现的。
[0006]基于深度学习的高保真全息轨道角动量通信方法，包括如下步骤：
[0007]步骤1)基于OAM加密的计算全息图计算流程图如附图2(a)所示。通过改进常规GS算法将轨道角动量编码为密钥以及原始图像来产生全息图。将生成的全息图数据作为神经网络的训练集和测试集。其光学解密重建的过程可满足：
[0008]I(x,y)
∝
|F[H1(x0,y0)*OAM1]|2[0009]其中，F表达傅里叶变换操作，H1(x0,y0)为全息图，OAM1是对应全息图的密钥，即轨道角动量信息。在实际的应用中，这个光学或计算重建的过程往往比较繁琐和复杂，时间成本较高。更重要的是，由于OAM的加密作用，使得即便是窃密者得到全息图，也不能得到与之相对应的OAM。因此其全息图重建后仍然不能得到有用的信息，该方法具有非常高的安全性。如附图3。
[0010]步骤2)本专利技术建立了两个神经网络(全息重建网络OAM
‑
HRN和全息通信网络OAM
‑
HCN)，如附图2(b)。基于神经网络模型，由于设定的任务目标不同，因此这两个网络也分别承担不同的任务，以此具有更高的工作效率，更快的训练速度和模型精度。OAM
‑
HRN用于解密全息图，OAM
‑
HCN用于解读拓扑电荷信息。用于实现基于深度学习的高保真全息轨道角动量通信方法是一个或两个神经网络模型基于不同的任务目标构建的。根据步骤1)的生成的训练集和测试集以及训练任务目标来标定好监督标签数据；
[0011]步骤3)依据步骤2)构建的深度学习模型和训练数据来训练神经网络模型。在训练过程中不断的调整模型的参数，直到收敛到全局最小值。全息重建网络OAM
‑
HRN的误差函数为：
[0012][0013]其中s
t
模型输出，y
t
为监督标签，n为全息图的数量。全息通信网络OAM
‑
HCN的交叉熵函数为：
[0014][0015]其中α模型分类精度，y为监督标签，n为全息图的数量。用测试集对模型进行测试，在本专利技术的模型中，当测试精度达到90％以上时，则认为满足实际需要，得到模型；若不满足条件，重复步骤三，重新对模型进行优化调整。最终训练好的模型能够对同类的数据具有较高的全息重建质量和轨道角动量信息解读具有同样高的精度，如附图4d所示。
[0016]步骤4)随机选一幅灰度图像(如名人肖像)按照其灰度值(0
‑
255)变成一维数组对应一组拓扑电荷数，如附图5所示。将含有这些拓扑电荷信息的轨道角动量相位与随机选取的手写数字图片编码成加密的全息图。在接收端的接收方能够利用训练好的网络(OAM
‑
HRN)重建高质量的全息图，而传统光学全息重建方法由于OAM的加密则不能得到有用的信息。另外一个训练好的网络(OAM
‑
HCN)能够按照接收全息图的顺利解读出其轨道角动量信息。再将其转换成灰度图像，达到加密传输通信的目的。
[0017]有益效果：
[0018]1、基于深度学习的高保真全息轨道角动量通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的高保真全息轨道角动量通信方法，其特征在于：包括如下步骤：步骤一、改进常规GS全息算法：通过作为密钥的OAM编码以及原始图像产生全息图；作为训练集和测试集；步骤二、建立两个神经网络，即全息重建网络OAM
‑
HRN和全息通信网络OAM
‑
HCN；OAM
‑
HRN用于全息图的解密、重建，OAM
‑
HCN用于解读拓扑电荷信息；通过神经网络建立神经网络模型；根据步骤一生成的训练集和测试集、以及神经网络模型的训练任务目标标定监督标签数据；步骤三、依据训练数据来训练步骤二建立的神经网络模型；所述训练数据包括步骤一的训练集和步骤二得到的监督标签数据；在训练过程中不断的调整模型的参数，直到收敛到全局最小值；得到训练好的模型；用测试集对模型进行测试，在本发明的模型中，当测试精度达到...

【专利技术属性】
技术研发人员：黄玲玲，周宏强，王涌天，李晓炜，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：