【技术实现步骤摘要】
本专利技术属于光通信领域，具体涉及一种基于深度学习的高维和混合维度轨道角动量识别与重构方法。
技术介绍
1、光作为自然界中的基本元素，以其独特的性质在众多领域中发挥着至关重要的作用。它的本质不仅仅局限于我们肉眼所看到的明亮的波动，更为深入地，光子，作为光的粒子，也有其固有的物理属性和行为。在传统的物理概念中，任何旋转的物体都有角动量；类似地，光子也有其自身的角动量。这种角动量可以分为两种主要类型：自旋角动量(sam)和轨道角动量(oam)。简而言之，自旋角动量是描述光子固有的旋转的，而轨道角动量则与光的整体形状和结构有关，具有oam的光束，或称为涡旋光束，其独特的螺旋形状使得它在光通信领域展现出巨大的潜力。在数学表示中，涡旋光束携带oam，具有相位因子eilθ，θ为方位角，l为拓扑荷数。
2、在现代光通信中，涡旋光束由于其高维数据编码能力被广泛关注。oam的不同模式可以作为独特的信息载体，每种模式都可以对应于一个特定的数据信号。这为光通信系统提供了一种新的、高效的信号编码和传输方式。传统的光通信技术往往受到信道容量的限制，但涡旋光束的多样性和oam的无限模式潜力为光通信领域打开了新的可能性。对比传统光通信方法，这种基于oam的方法能够大大增加信道的信息容量，从而提供更高的数据传输速率。此外，由于涡旋光束的结构性特点，它在传输过程中相对于环境干扰具有更好的鲁棒性。
3、实际应用中(如信息传递)还涉及到如何精确地产生、传输和检测具有特定oam的涡旋光束。为了实现高效的oam编码和解码，研究人员开发了多种先进的
技术实现思路
1、专利技术目的：本专利技术目的是提出一种基于深度学习的高维和混合维度轨道角动量识别与重构方法，针对不同的维度以及混合维度进行轨道角动量的解析和辨识，确保了单一维度与混合维度的轨道角动量准确、快速重构。
2、技术方案：本专利技术所述的一种基于深度学习的高维和混合维度轨道角动量识别与重构方法，包括以下步骤：
3、(1)预先获取光强度分布图像，为每个光强度图像打上与之相对应的轨道角动量标记，构建数据集，并划分为训练集和测试集；
4、(2)将轨道角动量分类定义为维度分类问题，分为单类别任务、多类别任务和多标签任务；
5、(3)单类别任务和多类别任务采用resnet34模型进行训练；多标签任务采用基于编码技术的深度学习模型进行编码和解码；
6、(4)分别将测试集输入已经训练完成的深度学习模型中，识别任意高维度的轨道角动量信息以及基于混合维度的轨道角动量的子维度分析，分别获取其重构过程的准确率。
7、进一步地，步骤(1)所述数据集划分为训练集和测试集；所述训练集采用旋转、拉伸和扭曲进行数据增强处理及进行噪声注入以模拟真实环境。
8、进一步地，步骤(2)所述单类别任务以及多类别任务都是基于对单一维度的轨道角动量的判断；在单类别任务情况下模型的训练集只是针对谋个特定维度，而在识别过程中也只能够识别某个特定维度；而多类别任务在模型训练中运用的是多个维度的判断，故在识别过程中也能够识别出不同的维度信息；所述多标签任务是在一个信息中包含了多个维度信息，通过对每个子维度信息进行编码，再通过译码混合维度信息中的子维度信息达到混合维度识别的效果。
9、进一步地，步骤(3)所述resnet34模型包括输入层、多个残差块、全局平均池化层和全连接输出层；所述输入层为b×224×224×1的单通道灰度图像，其中b为批训练数量；所述残差块由两个3x3的卷积层、激活函数“relu”和快速路径结构组成；为实现不同层级的特征提取，第二层conv2_x包括3个残差块，每块使用64个卷积核，第三层conv3_x包括4个残差块，每块使用128个卷积核，第四层conv4_x包括6个残差块，每块使用256个卷积核，第五层conv5_x包括3个残差块，每块使用512个卷积核；在每一组残差块的开头，当特征图尺寸减半时，同时增加卷积核数量，使用1x1的卷积来进行匹配；所述全局平均池化层：对每个特征图进行平均池化，输出尺寸为1x1；所述全连接输出层为b×n的张量，其中n代表oam态的类别数量，根据实际问题灵活输出每个类别的概率。
10、进一步地，步骤(3)所述基于编码技术的深度学习模型包括输入层、编码器、中间层、解码器、全局平均池化层和全连接输出层；所述编码器，由多个卷积层和池化层组成，逐步提取和压缩图像中的关键信息；所述中间层对编码器输出的特征图进行更深度的特征提取，确保子维度特征的独立性和表示能力；所述解码器，由多个上采样层和卷积层组成，逐步解码编码器中压缩的信息，恢复原始的特征维度；所述全局平均池化层降低解码器输出的特征图尺寸，减少参数数量和计算量。
11、进一步地，所述编码器包括第一层使用64个3x3的卷积核和2x2的池化核，第二层使用128个3x3的卷积核和2x2的池化核，第三层使用256个3x3的卷积核和2x2的池化核。
12、进一步地，所述解码器包括第一层使用256个3x3的卷积核和2x2的上采样核，第二层使用128个3x3的卷积核和2x2的上采样核，第三层使用64个3x3的卷积核。
13、进一步地，所述中间层包含一系列的卷积层，这些卷积层通过更小的卷积核进一步提炼编码器产生的特征表示。
14、进一步地，所述输入层为b×224×224×1的单通道灰度图像，其中b为批训练数量。
15、进一步地，所述全连接输出层为b×m的张量，其中m代表混合维度轨道角动量的所有可能组合。
16、有益效果：与现有技术相比，本专利技术的有益效果：本专利技术提供的基于深度学习的高维和混合维度轨道角动量重构方法，融合了resnet34与编码器技术，确保了单一维度与混合维度的轨道角动量准确、快速重构；通过深度学习技术的利用，本专利技术实现了对高维度及混合维度轨道角动量的自动化和智能化识别，降低了对专业人员的依赖，提高了工作效率；本专利技术中提出的模型结构经过优化，具备较强的泛化能力，能够适应不同的应用场景和数据环境，减少了在多种场景下重复调整模型的需求；利用编码器技术，本专利技术可以有效地处理混合维度的问题，不仅可以识别图像中的总体轨道角动量，还能对每个子维度进行定位和识别，为复杂场景下的应用提供了强大的支持；与传统的轨道角动量识别方法相比，本专利技术避免了对复杂硬件设备的依赖，大大降低了系统的成本和复杂性，同时提高了识别速度和准确性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，步骤(1)所述数据集划分为训练集和测试集；所述训练集采用旋转、拉伸和扭曲进行数据增强处理及进行噪声注入以模拟真实环境。
3.根据权利要求1所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，步骤(2)所述单类别任务以及多类别任务都是基于对单一维度的轨道角动量的判断；在单类别任务情况下模型的训练集只是针对谋个特定维度，而在识别过程中也只能够识别某个特定维度；而多类别任务在模型训练中运用的是多个维度的判断，故在识别过程中也能够识别出不同的维度信息；所述多标签任务是在一个信息中包含了多个维度信息，通过对每个子维度信息进行编码，再通过译码混合维度信息中的子维度信息达到混合维度识别的效果。
4.根据权利要求1所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，步骤(3)所述ResNet34模型包括输入层、多个残差块、全局平均池化层和全连接
5.根据权利要求1所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，步骤(3)所述基于编码技术的深度学习模型包括输入层、编码器、中间层、解码器、全局平均池化层和全连接输出层；所述编码器，由多个卷积层和池化层组成，逐步提取和压缩图像中的关键信息；所述中间层对编码器输出的特征图进行更深度的特征提取，确保子维度特征的独立性和表示能力；所述解码器，由多个上采样层和卷积层组成，逐步解码编码器中压缩的信息，恢复原始的特征维度；所述全局平均池化层降低解码器输出的特征图尺寸，减少参数数量和计算量。
6.根据权利要求5所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，所述编码器包括第一层使用64个3x3的卷积核和2x2的池化核，第二层使用128个3x3的卷积核和2x2的池化核，第三层使用256个3x3的卷积核和2x2的池化核。
7.根据权利要求5所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，所述解码器包括第一层使用256个3x3的卷积核和2x2的上采样核，第二层使用128个3x3的卷积核和2x2的上采样核，第三层使用64个3x3的卷积核。
8.根据权利要求5所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，所述中间层包含一系列的卷积层，这些卷积层通过更小的卷积核进一步提炼编码器产生的特征表示。
9.根据权利要求5所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，所述输入层为b×224×224×1的单通道灰度图像，其中b为批训练数量。
10.根据权利要求5所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，所述全连接输出层为b×M的张量，其中M代表混合维度轨道角动量的所有可能组合。
...【技术特征摘要】
1.一种基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，步骤(1)所述数据集划分为训练集和测试集；所述训练集采用旋转、拉伸和扭曲进行数据增强处理及进行噪声注入以模拟真实环境。
3.根据权利要求1所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，步骤(2)所述单类别任务以及多类别任务都是基于对单一维度的轨道角动量的判断；在单类别任务情况下模型的训练集只是针对谋个特定维度，而在识别过程中也只能够识别某个特定维度；而多类别任务在模型训练中运用的是多个维度的判断，故在识别过程中也能够识别出不同的维度信息；所述多标签任务是在一个信息中包含了多个维度信息，通过对每个子维度信息进行编码，再通过译码混合维度信息中的子维度信息达到混合维度识别的效果。
4.根据权利要求1所述的基于深度学习的高维和混合维度轨道角动量识别与重构方法，其特征在于，步骤(3)所述resnet34模型包括输入层、多个残差块、全局平均池化层和全连接输出层；所述输入层为b×224×224×1的单通道灰度图像，其中b为批训练数量；所述残差块由两个3x3的卷积层、激活函数“relu”和快速路径结构组成；为实现不同层级的特征提取，第二层conv2_x包括3个残差块，每块使用64个卷积核，第三层conv3_x包括4个残差块，每块使用128个卷积核，第四层conv4_x包括6个残差块，每块使用256个卷积核，第五层conv5_x包括3个残差块，每块使用512个卷积核；在每一组残差块的开头，当特征图尺寸减半时，同时增加卷积核数量，使用1x1的卷积来进行匹配；所述全局平均池化层：对每个特征图进行平均池化，输出尺寸为1x1；所述全连接输出层为b×n的张量，其中n代表oam态的类别数量，根...
【专利技术属性】
技术研发人员：刘俊，张敏洋，李晨露，阮鹏翔，陈东旭，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。