【技术实现步骤摘要】
本专利技术涉及光纤模式分解，特别是涉及一种少模光纤模式分解方法、装置、设备及介质。
技术介绍
1、近年来，少模光纤因其在高功率光纤激光器、空分复用传输和成像中的潜在应用而受到越来越多的关注。模式分解技术是一种基本的测量方法，用于获取少模光纤中各模式权重和相位信息，对于了解少模光纤的模式特性至关重要。模式分解技术被广泛应用于测量光纤模式传输矩阵、自适应模式控制、光纤模式耦合分析、光纤弯曲损耗研究和光束质量测量等领域。
2、早期的模式分解方法主要依赖实验技术，通过精密的实验设备直接测量光场的分布情况，然而存在设备成本高、精度要求高、实验过程复杂、工作量大以及易受环境影响等问题。随后，人们提出了基于数值的模式分解技术，有效降低了成本和设备要求，然而在大量迭代过程中容易受到初值敏感、局部最小值收敛、计算量大、收敛时间长等问题的影响。最近，基于神经网络的模式分解方法逐渐成为一个重要的研究方向。但是采用传统的卷积神经网络实现模式分解，存在模型较大，计算机设备要求高，计算资源消耗过大等问题。
技术实现思路
1、本专利技术的目的是提供一种少模光纤模式分解方法、装置、设备及介质，可以在实时处理需求下进行模式分解，快速准确地预测出少模光纤的模式权重和相位信息，无需昂贵的实验设备。
2、为了解决上述技术问题，本专利技术提供一种少模光纤模式分解方法，所述方法包括：
3、根据少模光纤结构参数计算本征模式，并随机生成模式权重和相对相位；
4、将本征模式进行线性叠
5、利用模拟生成的所述近场光场图像和所述标签向量训练用于预测模式信息的moblienetv3_light神经网络模型；所述moblienetv3_light神经网络模型包含深度可分离卷积网络；
6、将待测少模光纤的近场光场图像输入至训练好的所述moblienetv3_light神经网络模型，预测出所述待测少模光纤的模式权重和相位信息。
7、第一方面，在本专利技术提供的上述少模光纤模式分解方法中，采用第一公式将本征模式进行线性叠加模拟生成近场光场图像；所述第一公式为：
8、
9、其中，u(x,y)表示模拟生成的所述近场光场图像，n表示少模光纤中支持传输的模式数量，nmax表示少模光纤中支持传输的最大模式数量，ψn(x,y)表示少模光纤中第n个模式所具有的归一化电场分布，表示第n个模式的权重，θn表示第n个模式的相对相位。
10、另一方面，在本专利技术提供的上述少模光纤模式分解方法中，将随机生成的模式权重和相对相位处理为标签向量，包括：
11、获取随机生成的相对相位的余弦值；所述余弦值的范围为[0,1]；
12、将随机生成的模式权重和获取的所述余弦值组成标签向量。
13、另一方面，在本专利技术提供的上述少模光纤模式分解方法中，在利用模拟生成的所述近场光场图像和所述标签向量训练用于预测模式信息的moblienetv3_light神经网络模型之前，还包括：
14、采用卷积层组成第一模块；所述第一模块使用hard-swish激活函数；
15、采用九个moblienetv3块组成第二模块；在每个所述moblienetv3块中，输入特征矩阵由1×1卷积层进行升维处理，再由3×3深度卷积层进行卷积操作；每个卷积操作之后都有一个批处理归一化层和一个激活函数；
16、在所述第二模块中引入自注意机制模块，在所述注意力机制模块中，特征矩阵的通道数被平均池化，并通过两个全连接层获得输出向量；将所述输出向量利用1×1卷积层降维处理，得到输出特征矩阵；
17、采用一个7×7平均池化层和三个1×1卷积层组成第三模块；
18、由所述第一模块、所述第二模块和所述第三模块构建moblienetv3_light神经网络模型。
19、另一方面，在本专利技术提供的上述少模光纤模式分解方法中，在构建moblienetv3_light神经网络模型的过程中，包括：
20、当深度卷积的步长等于1且所述输入特征矩阵的通道数与所述输出特征矩阵的通道数一致时，执行快捷操作，以将所述输入特征矩阵和所述输出特征矩阵直接在同一维度上直接相加。
21、另一方面，在本专利技术提供的上述少模光纤模式分解方法中，在训练所述moblienetv3_light神经网络模型的过程中，包括：
22、将预测向量与所述标签向量之间的均方误差用作损失函数；所述损失函数为：
23、
24、其中，mse表示所述损失函数，k表示模拟生成的所述近场光场图像的总数量，2n-1表示随机生成的模式权重和相位信息的总数量，x0表示所述预测向量，x1表示所述标签向量。
25、另一方面，在本专利技术提供的上述少模光纤模式分解方法中，在训练所述moblienetv3_light神经网络模型的过程中，还包括：
26、使用反向传播神经网络更新所述moblienetv3_light神经网络模型的参数，直到网络收敛。
27、为了解决上述技术问题，本专利技术还提供一种少模光纤模式分解装置，所述装置包括：
28、数据生成模块，用于根据少模光纤结构参数计算本征模式，并随机生成模式权重和相对相位；将本征模式进行线性叠加模拟生成近场光场图像，并将随机生成的模式权重和相对相位处理为标签向量；
29、模型训练模块，用于利用模拟生成的所述近场光场图像和所述标签向量训练用于预测模式信息的moblienetv3_light神经网络模型；所述moblienetv3_light神经网络模型包含深度可分离卷积网络；
30、模型推理模块，用于将待测少模光纤的近场光场图像输入至训练好的所述moblienetv3_light神经网络模型，预测出所述待测少模光纤的模式权重和相位信息。
31、为了解决上述技术问题，本专利技术还提供一种少模光纤模式分解设备，所述设备包括：
32、存储器，用于存储计算机程序；
33、处理器，用于执行所述计算机程序时实现上述的少模光纤模式分解方法的步骤。
34、为了解决上述技术问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的少模光纤模式分解方法的步骤。
35、从上述技术方案可以看出，本专利技术所提供的一种少模光纤模式分解方法，该方法包括：根据少模光纤结构参数计算本征模式，并随机生成模式权重和相对相位；将本征模式进行线性叠加模拟生成近场光场图像，并将随机生成的模式权重和相对相位处理为标签向量；利用模拟生成的近场光场图像和标签向量训练用于预测模式信息的moblienetv3_light神经网络模型；moblienetv3_light神经网络模型包含深度可分离卷积网络；将待测少模光纤的近场光场图像本文档来自技高网...
【技术保护点】
1.一种少模光纤模式分解方法，其特征在于，所述方法包括：
2.根据权利要求1所述的少模光纤模式分解方法，其特征在于，采用第一公式将本征模式进行线性叠加模拟生成近场光场图像；所述第一公式为：
3.根据权利要求2所述的少模光纤模式分解方法，其特征在于，将随机生成的模式权重和相对相位处理为标签向量，包括：
4.根据权利要求3所述的少模光纤模式分解方法，其特征在于，在利用模拟生成的所述近场光场图像和所述标签向量训练用于预测模式信息的MoblieNetV3_Light神经网络模型之前，还包括：
5.根据权利要求4所述的少模光纤模式分解方法，其特征在于，在构建MoblieNetV3_Light神经网络模型的过程中，包括：
6.根据权利要求5所述的少模光纤模式分解方法，其特征在于，在训练所述MoblieNetV3_Light神经网络模型的过程中，包括：
7.根据权利要求6所述的少模光纤模式分解方法，其特征在于，在训练所述MoblieNetV3_Light神经网络模型的过程中，还包括：
8.一种少模光纤模式分解装
9.一种少模光纤模式分解设备，其特征在于，所述设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的少模光纤模式分解方法的步骤。
...【技术特征摘要】
1.一种少模光纤模式分解方法，其特征在于，所述方法包括：
2.根据权利要求1所述的少模光纤模式分解方法，其特征在于，采用第一公式将本征模式进行线性叠加模拟生成近场光场图像；所述第一公式为：
3.根据权利要求2所述的少模光纤模式分解方法，其特征在于，将随机生成的模式权重和相对相位处理为标签向量，包括：
4.根据权利要求3所述的少模光纤模式分解方法，其特征在于，在利用模拟生成的所述近场光场图像和所述标签向量训练用于预测模式信息的moblienetv3_light神经网络模型之前，还包括：
5.根据权利要求4所述的少模光纤模式分解方法，其特征在于，在构建moblienetv3_light神经...
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。