CN109450550A - 一种基于卷积神经网络的相干oam通信解调系统 - Google Patents

一种基于卷积神经网络的相干oam通信解调系统 Download PDF

Info

Publication number
CN109450550A
CN109450550A CN201811346980.5A CN201811346980A CN109450550A CN 109450550 A CN109450550 A CN 109450550A CN 201811346980 A CN201811346980 A CN 201811346980A CN 109450550 A CN109450550 A CN 109450550A
Authority
CN
China
Prior art keywords
oam
coherent modulation
modulation signal
convolutional neural
multichannel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811346980.5A
Other languages
English (en)
Inventor
周俊鹤
胡静
樊盼盼
吴建杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201811346980.5A priority Critical patent/CN109450550A/zh
Publication of CN109450550A publication Critical patent/CN109450550A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/50—Transmitters
    • H04B10/516—Details of coding or modulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/50—Transmitters
    • H04B10/516—Details of coding or modulation
    • H04B10/548—Phase or frequency modulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Optical Communication System (AREA)

Abstract

本发明涉及一种基于卷积神经网络的相干OAM通信解调系统，包括：光源发生装置，产生携带OAM的LG光束；OAM相干调制装置，利用相干调制产生多路OAM相干调制信号；OAM相干调制信号合束装置，将产生的多路OAM相干调制信号耦合为一路进行传输；接收处理装置，接收多路OAM相干调制信号并将其转换成光强分布形式；CNN解调装置，连接接收处理装置，将光强分布形式的OAM相干调制信号经卷积神经网络进行分类和识别，得到解调的多路OAM相干调制信号。与现有技术相比，本发明有效的将相干光通信技术与机器学习相结合，既提高了相干OAM通信系统解调的便捷性，又提高了OAM光载波的利用率，操作简单，成本较低。

Description

一种基于卷积神经网络的相干OAM通信解调系统
技术领域
本发明涉及一种OAM相干调制信号的解调系统，尤其是涉及一种基于卷积神经网络的相干OAM通信解调系统。
背景技术
数字OAM(Quadrature Amplitude Modulation)调制技术因其频谱利用率高、抗干扰能力强等优点被广泛应用于数字电视等广播通信领域。文献1“Turbulence-inducedchannel crosstalk in an orbital angular momentum-multiplexed free-spaceoptical link”(Anguita J A,Neifeld M A,Vasic B V.[J].Appl Opt,2008,47(13):2414-2429.)中提出，在无大气扰动的自由空间光通信(Free Space OpticalCommunication，FSO)中，携带OAM的LG光束可以表示为：
其中，z是LG光束的传输距离；r是LG光束到传输轴的径向距离；为归一化的拉盖尔多项式；zR是光束的瑞利长度，且zR＝πw0/λ，λ是LG光束的波长，w0是LG光束在z＝0处的束腰半径；wz是LG光束传播至z处的束腰半径；m是LG光束的拓扑荷大小，表示一个光学波长内相位旋转周期数，正负决定了光束相位的旋转方向；p是径向模式数，表示传输轴横截面上圆环的数量p+1。上述光束可以调制不同的信号，如强度信号，相干光信号等。
现有技术中的相干OAM解调系统应用范围窄，具有结构复杂、成本高的缺点。
例如文献2“Machine learning approach to OAM beam demultiplexing viaconvolutional neural networks”(Doster T,Watnik A T.Applied Optics,2017,56(12):3386.)中提出，利用OOK(On Off Keying)信号调制5种不同的OAM模式，经大其传播后，将接收到的强度调制信号经Dalsa GigE相机进行强度探测，再将探测到的信号强度经过卷积神经网络进行分类和识别，最后解调出32种强度调制信号。该技术只能解调强度调制信号。
例如文献3“Experimental demonstration of orbital angular momentum(OAM)modes(De)multiplexing and transmission in 2-Km fiber with Nyquist 32-QAMcoherent detection signals”(Wang J,Zhu L,Zou K,et al.Lasers and Electro-Optics.IEEE,2016:SW4F.2.)中提出，在接收端利用本地振荡器产生本地载波，经过带通滤波器的信号在相乘器中与本地载波相乘，经低通滤波后进行抽样判决。为了保证信号解调的可靠性，本地载波需与信号载波保持同频同相。利用锁相环技术保证本地载波和信号载波相位和频率的一致性。该技术不再利用简单的强度探测，而是使用较为复杂的相干检测解调，提高了成本。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卷积神经网络的相干OAM通信解调系统。
本发明的目的可以通过以下技术方案来实现：
一种基于卷积神经网络的相干OAM通信解调系统，包括：
光源发生装置，产生携带OAM的拉盖尔高斯光束；
OAM相干调制装置，与所述光源发生装置连接，利用相干调制产生多路OAM相干调制信号；
OAM相干调制信号合束装置，与所述OAM相干调制装置连接，将产生的多路OAM相干调制信号耦合为一路进行传输；
接收处理装置，与所述OAM相干调制信号合束装置通信连接，接收多路OAM相干调制信号并将其转换成光强分布形式；
CNN解调装置，与所述接收处理装置连接，将光强分布形式的OAM相干调制信号经卷积神经网络进行分类和识别，得到解调的多路OAM相干调制信号。
优选的，所述光源发生装置包括激光器、螺旋相位片和透镜，所述激光器产生的光束先经过螺旋相位片生成具有OAM的光学涡旋，然后通过透镜产生携带OAM的拉盖尔高斯光束。
优选的，所述OAM相干调制信号合束装置包括空间光耦合装置。
优选的，所述接收处理装置包括CCD相机。
优选的，所述利用相干调制产生多路OAM相干调制信号的过程中具体采用QPSK调制方法。
优选的，所述CNN解调装置包含用于信号处理的带有CNN代码的芯片，所述芯片包含输入和输出端口，输入为所探测到的光强分布数据，输出为解调后的多路光信息。
与现有技术相比，本发明将接收的OAM相干调制信号转换为光强分布形式，再经卷积神经网络进行分类与识别，解调出多路OAM相干调制信号，有效的将相干光通信技术与机器学习相结合，能够利用卷积神经网络通过强度探测解调OAM相干调制信号，不需要产生与信号载波同频同相的本地载波，仅仅需要进行强度探测，既提高了相干OAM通信系统解调的便捷性，实现了OAM相干调制信号的低成本精准解调，又提高了OAM光载波的利用率，并且不需要使用大量硬件设备，具有操作简单、成本低的优点。
附图说明
图1为本发明的系统框图；
图2为本发明中卷积神经网络建立的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例一
如图1所示，一种基于卷积神经网络的相干OAM通信解调系统，包括：
光源发生装置，包含激光器、螺旋相位片(spiral phase plate,SPP)和透镜，激光器产生的光束先经过螺旋相位片生成具有OAM的光学涡旋，然后通过透镜产生携带OAM的拉盖尔高斯(Laguerre-Gaussia，LG)光束；OAM相干调制装置，包含光调制器(modulator如马赫曾德干涉仪)，连接光源发生装置，利用相干调制产生多路OAM相干调制信号；OAM相干调制信号合束装置，包含空间光耦合装置，如全息光学元件、空间光栅、空间光调制器(spatial light modulator,SLM)等，连接OAM相干调制装置，将产生的多路OAM相干调制信号耦合为一路进行传输；接收处理装置，包含CCD相机，与OAM相干调制信号合束装置连接，接收多路OAM相干调制信号并将其转换成光强分布形式；CNN解调装置，包含带有CNN代码的芯片，该芯片为信号处理专用芯片，包含输入和输出端口，输入为所探测到的光强分布数据，输出为解调后的多路光信息。连接接收处理装置，将光强分布形式的OAM相干调制信号经卷积神经网络进行分类和识别，得到解调的多路OAM相干调制信号。
本实施例中，OAM相干调制装置采用的相干调制具体为QPSK(Quadrature PhaseShift Keying)调制。
CNN解调装置中设置有训练好的卷积神经网络。如图2所示，卷积神经网络的建立过程包括：先生成数据集，包含事先准备的训练集和探测信号的测试集；然后搭建CNN网络结构，将训练数据输入到网络模型中，经过训练，得到CNN参数；最后将测试集数据输入到已训练好的CNN网络模型中，实现解调，验证网络模型的效果。
本实施例对系统的解调精度进行验证，数据生成过程为：
利用光源发生装置产生携带OAM的LG光束，选择3种不同的OAM模式，对应LG光束的拓扑荷大小m＝[-1,2,4]，调制QPSK信号，利用大气扰动模型装置，使信号在有大气扰动的自由空间中进行传输，再由接收处理装置接收多路OAM相干调制信号，并将其转换为光强分布形式。
本实施例中，数据处理时将光强分布形式的OAM相干调制信号按照调制信息分成16类，其中LG光束的拓扑荷大小m＝-1对应的OAM模式调制0相位信息，m＝[2,4]对应的两种OAM模式分别调制四种状态的相位信息，所以3种OAM模式共可携带16种调制信息，所有携带不同调制信息的LG光束的集合称为矩阵集。然后按照不同的调制信息给LG光束分别贴上标签0，1，2，3......15，每一类标签表示一种调制信息，所有标签的集合称为标签集。由矩阵集和标签集组成的数据集的85％设为训练集，15％设为测试集，分别作为卷积神经网络的输入。卷积神经网络具体采用Alexnet网络结构，如表1所示。
表1 Alexnet网络结构表
层 卷积核数 卷积核大小 步长 池化 激活函数 归一化 Dropout
Conv1 96 11×11 4 MP(2×2) ReLU norm -
Conv2 256 5×5 1 MP(2×2) ReLU norm -
Conv3 384 3×3 1 - ReLU - -
Conv4 384 3×3 1 - ReLU - -
Conv5 256 3×3 1 MP(2×2) ReLU norm -
FC6 4096 - - - ReLU - Dropout
FC7 4096 - - - ReLU - Dropout
FC8 32/4/16 - - - - - -
表1中Conv、FC分别表示卷积层和全连接层，该网络结构共定义了5层卷积层(Conv1-5)，3层全连接层(FC6-8)。在卷积层中，上一层输出数据卷积后经激活函数(ReLU)激活，再进行最大池化(Max Pooling，MP)，然后将池化后的数据进行局部响应归一化(norm)处理，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力(Conv3，Conv4没有MP和norm)；在全连接层，上一层输出数据加权后经激活函数(ReLU)激活，再经Dropout随机忽略一些神经元，避免过拟合(FC8没有ReLU和Dropout)。
建立完Alexnet网络结构后，再定义损失函数如下：
其中yk为FC8层第k个神经元的输出，dk为FC8层第k个神经元的期望输出，n为FC8层的神经元数。先将训练集数据输入到网络模型中，按照正态分布随机设置模型参数初值，再经前向传播得到神经网络输出，计算损失函数，然后通过BP算法不断更新模型参数，使得损失函数值达到最小，如此反复，经过多次训练，得到最优参数模型。将测试集数据输入到已训练好的网络模型中，经过一次循环，得到测试准确率，结果如表2所示，其中分别测试了大小为256×256，128×128，64×64的数据集，测试精度高达99.5％以上，说明本系统在三种不同的OAM模式下信号解调精度高。
实施例二
本实施例中，生成与实施例一不同的数据，利用光源发生装置产生携带OAM的LG光束，选择2种不同的OAM模式，m＝[-1,2]，调制QPSK信号。卷积神经网络的建立采用与实施例一相同的方法，将光强分布形式的OAM相干调制信号按照调制信息分成4类，其中LG光束的拓扑荷大小m＝-1对应的OAM模式调制0相位信息，m＝2对应的OAM模式调制四种状态的相位信息，所以2种OAM模式共可携带4种调制信息，所有携带不同调制信息的LG光束的集合称为矩阵集。然后按照不同的调制信息给LG光束分别贴上标签0，1，2，3，每一类标签表示一种调制信息，所有标签的集合称为标签集。由矩阵集和标签集组成的数据集的85％设为训练集，15％设为测试集，分别作为卷积神经网络的输入。测试结果如表2所示，说明本系统在2种不同OAM模式下信号解调精度高。
表2实施例一和实施例二的卷积神经网络测试精度

Claims (6)

1.一种基于卷积神经网络的相干OAM通信解调系统，其特征在于，包括：
光源发生装置，产生携带OAM的拉盖尔高斯光束；
OAM相干调制装置，与所述光源发生装置连接，利用相干调制产生多路OAM相干调制信号；
OAM相干调制信号合束装置，与所述OAM相干调制装置连接，将产生的多路OAM相干调制信号耦合为一路进行传输；
接收处理装置，与所述OAM相干调制信号合束装置通信连接，接收多路OAM相干调制信号并将其转换成光强分布形式；
CNN解调装置，与所述接收处理装置连接，将光强分布形式的OAM相干调制信号经卷积神经网络进行分类和识别，得到解调的多路OAM相干调制信号。
2.根据权利要求1所述的一种基于卷积神经网络的相干OAM通信解调系统，其特征在于，所述光源发生装置包括激光器、螺旋相位片和透镜，所述激光器产生的光束先经过螺旋相位片生成具有OAM的光学涡旋，然后通过透镜产生携带OAM的拉盖尔高斯光束。
3.根据权利要求1所述的一种基于卷积神经网络的相干OAM通信解调系统，其特征在于，所述OAM相干调制信号合束装置包括空间光耦合装置。
4.根据权利要求1所述的一种基于卷积神经网络的相干OAM通信解调系统，其特征在于，所述接收处理装置包括CCD相机。
5.根据权利要求1所述的一种基于卷积神经网络的相干OAM通信解调系统，其特征在于，所述利用相干调制产生多路OAM相干调制信号的过程中具体采用QPSK调制方法。
6.根据权利要求1所述的一种基于卷积神经网络的相干OAM通信解调系统，其特征在于，所述CNN解调装置包含用于信号处理的带有CNN代码的芯片，所述芯片包含输入和输出端口，输入为所探测到的光强分布数据，输出为解调后的多路光信息。
CN201811346980.5A 2018-11-13 2018-11-13 一种基于卷积神经网络的相干oam通信解调系统 Pending CN109450550A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811346980.5A CN109450550A (zh) 2018-11-13 2018-11-13 一种基于卷积神经网络的相干oam通信解调系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811346980.5A CN109450550A (zh) 2018-11-13 2018-11-13 一种基于卷积神经网络的相干oam通信解调系统

Publications (1)

Publication Number Publication Date
CN109450550A true CN109450550A (zh) 2019-03-08

Family

ID=65551451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811346980.5A Pending CN109450550A (zh) 2018-11-13 2018-11-13 一种基于卷积神经网络的相干oam通信解调系统

Country Status (1)

Country Link
CN (1) CN109450550A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110401488A (zh) * 2019-07-12 2019-11-01 北京邮电大学 一种解调方法及装置
CN110854657A (zh) * 2019-10-15 2020-02-28 同济大学 一种基于光倍频的无腔内干扰的共振光通信装置
CN111985320A (zh) * 2020-07-14 2020-11-24 深圳技术大学 一种基于前馈神经网络的多模涡旋光束模态识别系统
CN113405675A (zh) * 2021-05-06 2021-09-17 杭州电子科技大学 一种基于光束轨道角动量态的非相干叠加键控方法与系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104049375A (zh) * 2014-06-05 2014-09-17 华中科技大学 一种偏振无关空间光调制方法和装置
US20180262291A1 (en) * 2017-03-07 2018-09-13 Government Of The United States Of America, As Represented By The Secretary Of The Navy Method for free space optical communication utilizing patterned light and convolutional neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104049375A (zh) * 2014-06-05 2014-09-17 华中科技大学 一种偏振无关空间光调制方法和装置
US20180262291A1 (en) * 2017-03-07 2018-09-13 Government Of The United States Of America, As Represented By The Secretary Of The Navy Method for free space optical communication utilizing patterned light and convolutional neural networks

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑永萍: "基于OAM复用的LG光束传输特性及检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110401488A (zh) * 2019-07-12 2019-11-01 北京邮电大学 一种解调方法及装置
CN110401488B (zh) * 2019-07-12 2021-02-05 北京邮电大学 一种解调方法及装置
CN110854657A (zh) * 2019-10-15 2020-02-28 同济大学 一种基于光倍频的无腔内干扰的共振光通信装置
CN110854657B (zh) * 2019-10-15 2020-10-02 同济大学 一种基于光倍频的无腔内干扰的共振光通信装置
CN111985320A (zh) * 2020-07-14 2020-11-24 深圳技术大学 一种基于前馈神经网络的多模涡旋光束模态识别系统
CN113405675A (zh) * 2021-05-06 2021-09-17 杭州电子科技大学 一种基于光束轨道角动量态的非相干叠加键控方法与系统

Similar Documents

Publication Publication Date Title
CN109450550A (zh) 一种基于卷积神经网络的相干oam通信解调系统
Li et al. Adaptive demodulator using machine learning for orbital angular momentum shift keying
Li et al. Joint atmospheric turbulence detection and adaptive demodulation technique using the CNN for the OAM-FSO communication
Daldal et al. Automatic determination of digital modulation types with different noises using convolutional neural network based on time–frequency information
CN106911395B (zh) 一种双正交偏振复用强度调制系统及其解复用方法
CN107342962A (zh) 基于卷积神经网络的深度学习智能星座图分析方法
Wang et al. Performance investigation of OAMSK modulated wireless optical system over turbulent ocean using convolutional neural networks
CN108123910B (zh) 一种基于光束轨道角动量态和振幅的混合键控方法与系统
CN104410462B (zh) 基于偏振复用的光信号调制与直接检测的方法及装置
CN113405675A (zh) 一种基于光束轨道角动量态的非相干叠加键控方法与系统
US11526742B2 (en) Method and system for intelligent decision-making photonic signal processing
CN112465137B (zh) 一种基于光子神经网络的涡旋光束模态识别系统及方法
CN109962747B (zh) 宽带电磁信号的光子神经网络自适应处理装置
CN109768829A (zh) 轨道角动量光传输中大气湍流失真补偿系统及其方法
Lv et al. Joint OSNR monitoring and modulation format identification on signal amplitude histograms using convolutional neural network
Wang et al. Convolutional neural network-based deep learning for intelligent OSNR estimation on eye diagrams
Fan et al. Fast signal quality monitoring for coherent communications enabled by CNN-based EVM estimation
Yu et al. Multi-task learning convolutional neural network and optical spectrums enabled optical performance monitoring
Karpagarajesh et al. Investigation of digital video broadcasting application employing the modulation formats like QAM and PSK using OWC, FSO, and LOS-FSO channels
CN105490749A (zh) 一种偏振复用直接检测系统及方法
CN112179506B (zh) 一种混合阶或分数阶涡旋光束模态识别装置及方法
Karlsson et al. Power-efficient modulation schemes
CN106921432B (zh) 一种监测偏振模色散的方法及装置
Mani et al. Free-space optical channel performance under atmospheric losses using orthogonal frequency division multiplexing
CN104683036B (zh) 一种多源激光二元相位调制与解调装置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190308

RJ01 Rejection of invention patent application after publication