基于残差神经网络的大容量光通信系统的损伤补偿方法技术方案

本发明专利技术涉及光通信领域领域，具体涉及一种基于残差神经网络的大容量光通信系统的损伤补偿方法，本基于残差神经网络的大容量光通信系统的损伤补偿方法，包括：步骤1、获取待补偿的畸变OAM光束的强度分布；步骤2、构建残差神经网络模型，将待补偿的畸变OAM光束的强度分布输入训练好的残差神经网络模型，预测大气湍流相位屏；步骤3、将预测得到的大气湍流相位屏用于补偿OAM光束；本发明专利技术基于残差神经网络学习焦平面的OAM探针光束的焦平面光强与其对应的大气湍流相位屏之间的映射关系，从而根据畸变OAM光束直接预测对应的大气湍流相位屏，进而实现高精度地补偿空间光通信系统中的OAM光束，其预测速度快且补偿精度高。其预测速度快且补偿精度高。其预测速度快且补偿精度高。

【技术实现步骤摘要】
基于残差神经网络的大容量光通信系统的损伤补偿方法


[0001]本专利技术涉及光通信领域领域，具体涉及一种基于残差神经网络的大容量光通信系统的损伤补偿方法。

技术介绍

[0002]轨道角动量(Orbital Angular Momentum,OAM)作为光束的一个新维度，具有特殊的螺旋相位结构，其中l是OAM状态，也称为拓扑电荷数(Topological Charge,TC)，是方位角。OAM具有诸多模态，其中OAM模态l＝0为平面波，而对于l≠0的情况，不同模态的涡旋电磁波彼此正交，基于上述特性，OAM适用于复用通信，为扩大信道容量、提高频带利用率提供了一种新的方法，成为光通信领域的研究热点。
[0003]在实际空间光通信链路中，复用OAM波束的解调往往取决于OAM光束的螺旋相位。然而，大气温度的随机变化和对流运动往往会导致空气折射率的随机变化(即大气湍流)，导致OAM光束的波前相位失真，从而导致不同模态OAM之间的模式串扰，误码率增大、传输效率变低，降低无线光通信链路的性能。因此，如何高精度地补偿大气湍流对OAM光束的影响成为提高OAM无线光通信系统性能的关键问题。
[0004]目前国内外的研究人员在降低空间光通信中降低大气湍流影响这一研究领域进行了深入的研究，提出了多种方案，目前主要有两种技术：基于数字信号处理(Digital Signal Processing,DSP)的补偿方法和基于自适应光学(Adaptive Optics,AO)的补偿方法。前者将光域信号转移到电域，利用DSP算法，如均衡和低密度奇偶校验码来降低信号损失，但其结构复杂度及计算复杂度会随信道数的增长而快速增加。而后者是直接在光域中对光信号进行处理，实时补偿由大气湍流等因素造成的光束畸变，增强通信系统对外界复杂条件的适应性。AO系统的基本思想是先测量畸变光束的相位，在此基础上计算需要校正的相位部分，并将其应用到畸变光束上消除畸变。常用的自适应光学技术，如基于Gerchberg
‑
Saxton的自适应光学技术(GSA
‑
AO)和随机并行梯度下降算法算法等，需要多次迭代，会耗费大量时间，无法满足实施补偿的要求。
[0005]神经网络方法可以有效地学习复杂特征并已经广泛应用于信号处理。2019年，日本的Yohei Nishizaki等人提出了一种基于机器学习的新型波前传感器，通过Xception网络直接从单一的强度图像估计出波前像差的Zernike系数，分别采集了过度曝光、散射和离焦面的强度图像进行验证，这三种预处理方法相对于焦平面强度图像均可以提高预测精度。同年，瑞典的Torben Andersen等人使用焦面和离焦面的点扩散函数对Inception网络进行训练，得到相应的Zernike系数，虽然精度不能满足对衍射成像的校正，但可以改善2
‑
4m级别望远镜的测量误差。2020年，中国科学院光电技术研究所的吴玉等人提出了一种基于卷积神经网络的相位分集波前检测方法，该方法在融合焦面和离焦面强度图像信息的同时，将推理速度提高到了0.5ms，为提高波前检测的准确性和实时性提供了一种简单有效的方法。2021年，华东师范大学的夏勇等人利用ResNet神经网络，提出了一种基于的双模式涡旋光束的OAM精确识别的方法，为基于神经网络的OAM空间光通信系统提供了潜在的应用前
景。上述方法主要是基于焦平面上的高斯光束的强度分布或点扩散函数作为机器学习算法的输入，输出对应的Zernike系数，再计算出OAM光束的像差进而对其进行补偿，流程复杂。

技术实现思路

[0006]本专利技术的目的是提供一种基于残差神经网络的大容量光通信系统自适应光学损伤补偿方法，通过残差神经网络重建畸变OAM光束与其对应大气湍流相位屏间的映射关系，改变传统自适应光学补偿方案中先重构探针光束波前信息、后计算畸变损伤的思路，解决计算流程复杂、迭代效率低和校正精度受限的问题。
[0007]为了解决上述技术问题，本专利技术提供了一种基于残差神经网络的大容量光通信系统的损伤补偿方法，包括：
[0008]步骤1、获取待补偿的畸变OAM光束的强度分布；
[0009]步骤2、构建残差神经网络模型，将待补偿的畸变OAM光束的强度分布输入训练好的残差神经网络模型，预测大气湍流相位屏；
[0010]步骤3、将预测得到的大气湍流相位屏用于补偿OAM光束。
[0011]进一步的，所述步骤1中获取待补偿的畸变OAM光束的强度分布，包括：将大容量光通信系统接收端接收的OAM光束中的探针光束和信号光束通过偏振分束器分离；利用电荷耦合器件检测探针光束中的畸变OAM光束的强度分布。
[0012]进一步的，所述残差神经网络包括：输入层、最大池化层、残差模块、五层反卷积层和输出层；其中所述残差模块由一个基本残差单元和三个降采样残差单元串联构成；所述基本残差单元由两个基本残差块串联构成；所述降采样残差单元由一个降采样残差块和一个基本残差块串联构成。
[0013]进一步的，所述步骤2中训练残差神经网络模型的过程，包括：
[0014]步骤21、通过模拟OAM光束在随机相位屏中的仿真传输，获取OAM光束的强度分布数值，并将该数值模拟结果生成数据集；
[0015]步骤22、初始化所述残差神经网络模型中的各卷积核的权值和偏置值，并定义损失函数；
[0016]步骤23、将所述数据集中的训练数据输入残差神经网络模型中，交替进行正向传播和反向传播，并采用自适应动量的随机优化方法更新残差神经网络模型中的权值和偏置值，直至损失函数的值收敛于0。
[0017]进一步的，所述步骤22中的损失函数为均方损失函数，其表示为：loss＝(x
i
‑
y
i
)2；其中，x
i
表示数据集中的训练数据输入残差神经网络模型后的输出；y
i
表示标准大气湍流相位屏。
[0018]进一步的，所述步骤3中将预测得到的大气湍流相位屏用于补偿OAM光束，包括：将预测得到的大气湍流相位屏输入波前校正器中，以对OAM光束进行相位补偿；所述对OAM光束进行相位补偿的计算公式，表示为：其中，表示经残差神经网络预测得到的大气湍流相位；ψ(x,y)表示OAM光束通过相位屏后的相位，表示为：ψ(x,y)＝ψ0(x,y)e
‑
iφ(x,y)
；其中，ψ0(x,y)表示OAM光束通过相位屏前的相位；φ(x,y)表示由大气湍流相位屏引起的相位失真。
[0019]本专利技术的有益效果是，本专利技术基于残差神经网络学习焦平面的OAM探针光束的焦
平面光强与其对应的大气湍流相位屏之间的映射关系，从而根据畸变OAM光束直接预测对应的大气湍流相位屏，进而实现高精度地补偿空间光通信系统中的OAM光束，其预测速度快且补偿精度高。
[0020]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差神经网络的大容量光通信系统的损伤补偿方法，其特征在于，包括：步骤1、获取待补偿的畸变OAM光束的强度分布；步骤2、构建残差神经网络模型，将待补偿的畸变OAM光束的强度分布输入训练好的残差神经网络模型，预测大气湍流相位屏；步骤3、将预测得到的大气湍流相位屏用于补偿OAM光束。2.根据权利要求1所述的基于残差神经网络的大容量光通信系统的损伤补偿方法，其特征在于，所述步骤1中获取待补偿的畸变OAM光束的强度分布，包括：将大容量光通信系统接收端接收的OAM光束中的探针光束和信号光束通过偏振分束器分离；利用电荷耦合器件检测探针光束中的畸变OAM光束的强度分布。3.根据权利要求2所述的基于残差神经网络的大容量光通信系统的损伤补偿方法，其特征在于，所述残差神经网络包括：输入层、最大池化层、残差模块、五层反卷积层和输出层；其中所述残差模块由一个基本残差单元和三个降采样残差单元串联构成；所述基本残差单元由两个基本残差块串联构成；所述降采样残差单元由一个降采样残差块和一个基本残差块串联构成。4.根据权利要求3所述的基于残差神经网络的大容量光通信系统的损伤补偿方法，其特征在于，所述步骤2中训练残差神经网络模型的过程，包括：步骤21、通过模拟OAM光束在随机相位屏中的仿真传输，获取OAM光束的强度分布数值，并将该数值模拟结果生成数据集；步骤22、初始化所述残差神经网络模型中的各...

【专利技术属性】
技术研发人员：忻向军，姚海鹏，张琦，吴迪，高然，常欢，马艺倩，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：