基于光子衍射神经网络的大气湍流强度检测方法及系统技术方案

本发明专利技术涉及一种基于光子衍射神经网络的大气湍流强度检测方法及系统，其中方法包括：建立并训练光子衍射神经网络，所述光子衍射神经网络包括前向传播模型和后向传播模型，其中，所述后向传播模型为基于损失函数的误差后向传播，用于训练光子衍射神经网络；获取不同大气强度影响下的光束；将光束传入训练完成的光子衍射神经网络；基于光强探测器检测光子衍射神经网络的输出光场强度；根据光场强度与大气湍流强度的对应关系，完成大气湍流强度检测，其中，所述光场强度与大气湍流强度的对应关系为：大气湍流强度越强，光场强度越弱。与现有技术相比，本发明专利技术具有无需额外的信号处理、检测速度快、检测效率高等优点。检测效率高等优点。检测效率高等优点。

【技术实现步骤摘要】
基于光子衍射神经网络的大气湍流强度检测方法及系统


[0001]本专利技术涉及光通信领域，尤其是涉及一种大气湍流强度检测方法及系统。

技术介绍

[0002]随着现代信息社会的快速发展，人们对通信速度和通信质量的要求越来越高，然而传统的单模光纤已经处于饱和状态，现有的一些复用技术如时分复用、码分复用等很难帮助单模光纤突破传输容量限制，空间维度是能帮助网络大幅度地提升传输容量的一种信息复用自由度。在自由空间模分复用系统中，大气的随机扰动是影响系统性能的主要因素。由于大气湍流的影响，光束在大气中传输时会造成额外的光束扩展、光束瞬时中心的随机漂移以及光强的随机扰动，从而造成激光光束质量的下降，降低通信系统的传输容量。因此，确定大气湍流强度将有助于提高通信效率，具有重要意义。
[0003]传统的方法通常采用折射率结构常数对大气湍流强度进行衡量。20世纪90年代以后出现了利用数值预报模式对大气湍流强度进行估算的方法。近年来，机器学习算法被广泛应用于气象等领域。文献“Using an artificial neural network approach to estimate surface
‑
layer optical turbulence at Mauna Loa,Hawaii”(Yao Wang,Sukanta Basu.Optics Letters,2016,41(10):2334
‑
2337)使用人工神经网络，将温度、相对湿度等气象参数作为神经网络的输入，对Mauna Loa附近海面的大气湍流强度进行了估算，结果表明该方法能够较为准确地估算出湍流强度。“Atmospheric turbulence intensity estimation based on deep convolutional neural networks”(Ma Shengjie,Hao Shiqi,et al.Chinese Journal of Lasers,2021,48(4):277
‑
286)利用卷积神经网络对受到大气湍流影响的高斯光束光斑图像进行训练，利用深度卷积神经网络强大的数据拟合与图像处理能力，完成了从图像到数值的估算。文献“Joint atmospheric turbulence detection and adaptive demodulation technique using the CNN for the OAM
‑
FSO communication”(Li J,Zhang M,Wang D S,et al.Optics Express,2018,26(8):10494
–
10508.)设计了一个基于CNN的自适应解调器，实现了大气湍流探测的功能，在强湍流强度中具有较高的准确率。
[0004]文献“All
‑
optical machine learning using diffffractive deep neural networks”(X.Lin,Y.Rivenson,N.T.Yardimci,M.Veli,Y.Luo,M.Jarrahi,and A.Ozcan.Science(80
‑
.)361,1004(2018).)提出了全光衍射深度神经网络，Lin等人设计了一个5层的全光神经网络，该网络在mnist数据集上获得了91.75％的准确率。与卷积神经网络相比，光子衍射神经网络可以以光速对数据进行传输，该网络全部由光子作为信号传输媒介，无需额外的信号处理方法，具有着广阔的应用前景。
[0005]上述大气湍流检测的方法都未采用光子衍射神经网络，需要对光信号进行额外的信号处理，较为复杂。

技术实现思路

[0006]本专利技术的目的就是为了提供一种基于光子衍射神经网络的大气湍流强度检测方法及系统，以光子为传输媒介，无需额外的信号处理过程，同时提高检测速度和检测效率。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]一种基于光子衍射神经网络的大气湍流强度检测方法，包括以下步骤：
[0009]建立并训练光子衍射神经网络，所述光子衍射神经网络包括前向传播模型和后向传播模型，其中，所述后向传播模型为基于损失函数的误差后向传播，用于训练光子衍射神经网络；
[0010]获取不同大气强度影响下的光束；
[0011]将光束传入训练完成的光子衍射神经网络；
[0012]基于光强探测器检测光子衍射神经网络的输出光场强度；
[0013]根据光场强度与大气湍流强度的对应关系，完成大气湍流强度检测，其中，所述光场强度与大气湍流强度的对应关系为：大气湍流强度越强，光场强度越弱。
[0014]所述光子衍射神经网络包括k层衍射层，各衍射层中的每个节点均与下一层相连，衍射层的中心为坐标原点，光束沿z方向传播，每个节点作为神经网络的一个神经元，神经元的振幅和相位作为训练参数。
[0015]光束通过衍射层中的一个节点所产生的光波视为一个二次波源：
[0016][0017]其中，l代表第l层衍射层，i代表第l层衍射层的第i个节点，(x，y，z)表示光束坐标，(x
i
，y
i
，z
i
)表示第i个节点的坐标，代表光束到第i个节点的距离，λ为光束的波长；
[0018]二次波源的幅值和相位由该节点的输入波和透射系数t决定，则第l层的第i个节点的输出表示为：
[0019][0020]其中，代表第l层的第i个节点的输入波，g表示第l
‑
1层的所有输出波经过不同的路径传播至节点i的波束集合；为透射系数，由幅值和相位组成
[0021]所述前向传播模型基于菲涅耳衍射理论确定，当输入光束传播到第l层时表示为经过第l层的衍射之后，光场经过层间距离d
l
的传输，光场相当于经历一个代表菲涅尔衍射的传输矩阵H，则：第l层的输出光场表示为：
[0022][0023]其中，(f
x
,f
y
)是频域坐标，n表示波数，n＝2π/λ。
[0024]所述损失函数为前向传播输出的光场经光强探测器测得的光场强度与理想光场强度的差值：
[0025][0026]其中，N为光子衍射神经网络最后一层输出层的节点数，U
i
为节点i的输出光场强度，Y
i
为节点i的理想光场强度。
[0027]一种基于光子衍射神经网络的大气湍流强度检测系统，包括：
[0028]光子衍射神经网络，所述光子衍射神经网络包括前向传播模型和后向传播模型，其中，所述后向传播模型为基于损失函数的误差后向传播，用于训练光子衍射神经网络；
[0029]输入模块，用于获取不同大气强度影响下的光束，并将光束传入训练完成的光子衍射神经网络；
[0030]光强探测器，用于检测光子衍射神经网络的输出光场强度；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光子衍射神经网络的大气湍流强度检测方法，其特征在于，包括以下步骤：建立并训练光子衍射神经网络，所述光子衍射神经网络包括前向传播模型和后向传播模型，其中，所述后向传播模型为基于损失函数的误差后向传播，用于训练光子衍射神经网络；获取不同大气强度影响下的光束；将光束传入训练完成的光子衍射神经网络；基于光强探测器检测光子衍射神经网络的输出光场强度；根据光场强度与大气湍流强度的对应关系，完成大气湍流强度检测，其中，所述光场强度与大气湍流强度的对应关系为：大气湍流强度越强，光场强度越弱。2.根据权利要求1所述的一种基于光子衍射神经网络的大气湍流强度检测方法，其特征在于，所述光子衍射神经网络包括k层衍射层，各衍射层中的每个节点均与下一层相连，衍射层的中心为坐标原点，光束沿z方向传播，每个节点作为神经网络的一个神经元，神经元的振幅和相位作为训练参数。3.根据权利要求2所述的一种基于光子衍射神经网络的大气湍流强度检测方法，其特征在于，光束通过衍射层中的一个节点所产生的光波视为一个二次波源：其中，l代表第l层衍射层，i代表第l层衍射层的第i个节点，(x，y，z)表示光束坐标，(x
i
，y
i
，z
i
)表示第i个节点的坐标，代表光束到第i个节点的距离，λ为光束的波长；二次波源的幅值和相位由该节点的输入波和透射系数t决定，则第l层的第i个节点的输出表示为：其中，代表第l层的第i个节点的输入波，g表示第l
‑
1层的所有输出波经过不同的路径传播至节点i的波束集合；为透射系数，由幅值和相位组成4.根据权利要求3所述的一种基于光子衍射神经网络的大气湍流强度检测方法，其特征在于，所述前向传播模型基于菲涅耳衍射理论确定，当输入光束传播到第l层时表示为经过第l层的衍射之后，光场经过层间距离d
l
的传输，光场相当于经历一个代表菲涅尔衍射的传输矩阵H，则：第l层的输出光场表示为：其中，(f
x
,f
y
)是频域坐标，n表示波数，n＝2π/λ。5.根据权利要求1所述的一种基于光子衍射神经网络的大气湍流强度检测方法，其特征在于，所述损失函数为前向传播输出的光场经光强探测器测得的光场强度与理想光场强
度的差值：其中，N为光子衍射神经网络最后一层输出层的节点数，U
i
为节点i的输出光场强度，Y
i
为节点i的理想光场强度。6.一种基于光子衍射神经网络...

【专利技术属性】
技术研发人员：周俊鹤，郑龙，蒲浩乾，
申请(专利权)人：同济大学，
类型：发明
国别省市：