CN110401488A - 一种解调方法及装置 - Google Patents

一种解调方法及装置 Download PDF

Info

Publication number
CN110401488A
CN110401488A CN201910631476.8A CN201910631476A CN110401488A CN 110401488 A CN110401488 A CN 110401488A CN 201910631476 A CN201910631476 A CN 201910631476A CN 110401488 A CN110401488 A CN 110401488A
Authority
CN
China
Prior art keywords
oam
model
intensity
intensity map
sample
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.)
Granted
Application number
CN201910631476.8A
Other languages
English (en)
Other versions
CN110401488B (zh
Inventor
田清华
忻向军
张琦
李哲
刘博�
李良川
田凤
常天海
王拥军
王光全
杨雷静
卢琛达
王阔
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910631476.8A priority Critical patent/CN110401488B/zh
Publication of CN110401488A publication Critical patent/CN110401488A/zh
Application granted granted Critical
Publication of CN110401488B publication Critical patent/CN110401488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明实施例提供了一种解调方法，涉及空间光通信技术领域，其中，上述方法包括：获得所接收调制信号的轨道角动量OAM强度图，作为待识别强度图；将待识别强度图输入预先训练的OAM模式识别模型，识别得到调制信号时所基于的OAM模式，其中，OAM模式识别模型的第一初始模型为：通过修改判别网络模型的全连接层神经元数量得到的模型，判别网络模型是与生成网络模型相结合训练得到的模型；按照识别出的OAM模式对所述调制信号进行解调。应用本发明实施例提供的方案进行信号解调时，能够使解调的准确率更高。

Description

一种解调方法及装置
技术领域
本发明涉及空间光通信技术领域，特别是涉及一种解调方法及装置。
背景技术
空间光通信可以提高频谱利用效率，增加通信容量，满足人们日益增长的信息量需求。在空间光通信中，传统的OAM(Orbital Angular Momentum，轨道角动量)解调方法是：获得所接收调制信号的全息图，将所获得的全息图加载到全息相位屏，根据全息相位屏上出现的亮点的位置以及OAM模式的正交性，确定得到所接收调制信号时所基于的OAM模式，再根据所确定的OAM模式对所接收调制信号进行解调。虽然应用上述方法能够实现信号解调，但是上述解调方法需要用到全息相位屏等物理仪器，且对所使用物理仪器的要求高，解调效率低。
为解决上述技术问题，现有技术中提出了一种解调方法。这一方式是基于卷积神经网络实现的，因此，在这一方法中要求获得大量已经标记OAM模式的样本数据，从而实现对卷积神经网络的训练。然而，实际应用中，往往只能得到有限数量已标记OAM模式的样本数据，这样训练出的卷积神经网络缺少泛化性，从而导致使用该卷积神经网络进行OAM解调时，解调准确率低。
发明内容
本发明实施例的目的在于提供一种解调方法及装置，用以解决解调准确率低的问题。具体技术方案如下：
第一方面，本发明实施例提供了一种解调方法，所述方法包括：
获得所接收调制信号的轨道角动量OAM强度图，作为待识别强度图；
将所述待识别强度图输入预先训练的OAM模式识别模型，识别得到所述调制信号时所基于的OAM模式，其中，所述OAM模式识别模型的第一初始模型为：通过修改判别网络模型的全连接层神经元数量得到的模型，所述判别网络模型是与生成网络模型相结合训练得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型；
按照识别出的OAM模式对所述调制信号进行解调。
本发明的一个实施例中，通过以下方式训练得到所述OAM模式识别模型：
获得已标注OAM模式的OAM强度图，作为样本强度图；
获得样本强度图对应的已标注OAM模式的数量，作为第一数量；
以各个样本强度图和各个样本强度图对应的已标注OAM模式为输入信息，对所述第一初始模型进行训练，得到所述OAM模式识别模型，其中，所述第一初始模型为：将判别网络模型的全连接层神经元数量修改为第一数量后得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述判别网络模型是以生成网络模型的输出信息为输入信息进行训练得到的，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型。
本发明的一个实施例中，通过以下方式训练得到所述判别网络模型：
按照以下方式，周期性的对生成网络的第二初始模型和判别网络的第三初始模型进行训练：
将随机噪声和样本强度图对应的已标注OAM模式作为所述第二初始模型的输入信息，输入所述第二初始模型，获得新生成的第一OAM强度图和第一OAM强度图对应的第一OAM模式；
将所述第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入所述第三初始模型，判别所述第一OAM强度图的实际OAM模式是否为所述第一OAM模式，获得判别结果；
对所述第三初始模型的模型参数进行调整的次数未达到第一预设次数时，根据所述判别结果，获得所述第三初始模型对应的判别损失，并基于所述判别损失调整所述第三初始模型的模型参数；
对所述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对所述第二初始模型的模型参数进行调整的次数未达到第二预设次数时，根据所述判别结果，获得所述第二初始模型对应的生成损失，并基于所述生成损失调整所述第二初始模型的模型参数；
返回所述将随机噪声和样本强度图对应的已标注OAM模式作为所述第二初始模型的输入信息的步骤，直至对所述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对所述第二初始模型的模型参数进行调整的次数达到第二预设次数。
本发明的一个实施例中，所述根据所述判别结果，获得所述第三初始模型对应的判别损失，包括：
根据所述判别结果，按照以下表达式，计算所述第三初始模型对应的判别损失：
其中，表示所述判别损失，D表示所述判别网络模型，表示样本强度图的数学期望，x表示样本强度图，pdata(x)表示样本强度图的分布，C表示OAM模式，D(x|C)表示所述判别结果，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
本发明的一个实施例中，所述根据所述判别结果，获得所述第二初始模型对应的生成损失，包括：
根据所述判别结果，按照以下表达式，计算所述第二初始模型对应的判别损失：
其中，表示所述生成损失，G表示所述生成网络模型，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
本发明的一个实施例中，在所述获得已标注OAM模式的OAM强度图，作为样本强度图之后，还包括：
针对每一样本强度图，随机设定对应的OAM模式，作为已标注OAM模式，并将随机设定OAM模式后的样本图强度图作为新的样本强度图；
针对每一样本强度图对应的已标注OAM模式，从已有样本强度图中随机选择强度图，设置所选择的强度图对应的OAM模式为该OAM模式，并将该OAM模式作为所选择强度图的已标注OAM模式，将设置OAM模式后的强度图作为新的样本强度图。
第二方面，本发明实施例提供了一种解调装置，所述装置包括：
强度图获得模块，用于获得所接收调制信号的轨道角动量OAM强度图，作为待识别强度图；
模式识别模块，用于将所述待识别强度图输入预先训练的OAM模式识别模型，识别得到所述调制信号时所基于的OAM模式，其中，所述OAM模式识别模型的第一初始模型为：通过修改判别网络模型的全连接层神经元数量得到的模型，所述判别网络模型是与生成网络模型相结合训练得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型；
信号解调模块，用于按照识别出的OAM模式对所述调制信号进行解调。
本发明的一个实施例中，所述装置还包括：识别模型训练模块，用于训练得到所述OAM模式识别模型；
其中，所述识别模型训练模块，包括：
第一强度图获得单元，用于获得已标注OAM模式的OAM强度图，作为样本强度图；
数量获得单元，用于获得样本强度图对应的已标注OAM模式的数量，作为第一数量；
模型获得单元，用于以各个样本强度图和各个样本强度图对应的已标注OAM模式为输入信息，对所述第一初始模型进行训练，得到所述OAM模式识别模型，其中，所述第一初始模型为：将判别网络模型的全连接层神经元数量修改为第一数量后得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述判别网络模型是以生成网络模型的输出信息为输入信息进行训练得到的，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型。
本发明的一个实施例中，所述装置还包括：判别模型训练模块，用于训练得到所述判别网络模型；
其中，所述判别模型训练模块，具体用于周期性的对生成网络的第二初始模型和判别网络的第三初始模型进行训练；
所述判别模型训练模块，包括：
信息获得单元，用于将随机噪声和样本强度图对应的已标注OAM模式作为所述第二初始模型的输入信息，输入所述第二初始模型，获得新生成的第一OAM强度图和第一OAM强度图对应的第一OAM模式；
判别结果获得单元，用于将所述第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入所述第三初始模型，判别所述第一OAM强度图的实际OAM模式是否为所述第一OAM模式，获得判别结果；
第一参数调整单元，用于对所述第三初始模型的模型参数进行调整的次数未达到第一预设次数时，根据所述判别结果，获得所述第三初始模型对应的判别损失，并基于所述判别损失调整所述第三初始模型的模型参数；
第二参数调整单元，用于对所述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对所述第二初始模型的模型参数进行调整的次数未达到第二预设次数时，根据所述判别结果，获得所述第二初始模型对应的生成损失，并基于所述生成损失调整所述第二初始模型的模型参数；触发所述信息获得单元，直至对所述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对所述第二初始模型的模型参数进行调整的次数达到第二预设次数。
本发明的一个实施例中，所述第一参数调整单元，具体用于：
根据所述判别结果，按照以下表达式，计算所述第三初始模型对应的判别损失：
其中，表示所述判别损失，D表示所述判别网络模型，表示样本强度图的数学期望，x表示样本强度图，pdata(x)表示样本强度图的分布，C表示OAM模式，D(x|C)表示所述判别结果，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
本发明的一个实施例中，所述第二参数调整单元，具体用于：
根据所述判别结果，按照以下表达式，计算所述第二初始模型对应的判别损失：
其中，表示所述生成损失，G表示所述生成网络模型，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
本发明的一个实施例中，所述识别模型训练模块，还包括：
第二强度图获得单元，用于在所述第一强度图获得单元获得样本强度图之后，针对每一样本强度图，随机设定对应的OAM模式，作为已标注OAM模式，并将随机设定OAM模式后的样本图强度图作为新的样本强度图；
针对每一样本强度图对应的已标注OAM模式，从已有样本强度图中随机选择强度图，设置所选择的强度图对应的OAM模式为该OAM模式，并将该OAM模式作为所选择强度图的已标注OAM模式，将设置OAM模式后的强度图作为新的样本强度图。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述实施例所述的方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述的方法步骤。
第五方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一解调方法。
由上述的技术方案可见，应有本发明实施例提供的方案进行解调时，获得所接收调制信号的轨道角动量OAM强度图，作为待识别强度图；将上述待识别强度图输入预先训练的OAM模式识别模型，识别得到上述调制信号传输时所基于的OAM模式，其中，上述OAM模式识别模型的第一初始模型为：通过修改判别网络模型的全连接层神经元数量得到的模型，上述判别网络模型是与生成网络模型相结合训练得到的模型，上述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，上述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型；按照识别出的OAM模式对所传输的调制信号进行解调。
可见，应用上述实施例提供的方案进行信号解调时，由于上述判别网络模型是与生成网络模型相结合训练得到的模型，所以在训练判别网络模型时，既有收集的真实强度图作为样本，也有生成网络模型生成的强度图作为样本，样本强度图的数量足够，训练得到的判别网络模型的泛化能力强。通过修改判别网络模型的神经元数量得到OAM模式识别模型的第一初始模型，并且对该第一初始模型训练得到OAM模式识别模型，训练得到的OAM模式识别模型的识别准确度高。由于OAM模式识别模型具有高泛化能力，且识别准确率高，所以该OAM模式识别模型用于信号解调时，解调准确率高。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上上述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种解调方法的流程示意图；
图2为本发明实施例提供的一种模型训练方法的流程示意图；
图3为本发明实施例提供的一种OAM强度图的示意图；
图4为本发明实施例提供的一种第一初始模型的结构示意图；
图5为本发明实施例提供的一种实验结果对比折线示意图；
图6为本发明实施例提供的另一种模型训练方法的流程示意图；
图7a为本发明实施例提供的一种第二初始模型的结构示意图；
图7b为本发明实施例提供的一种第三初始模型的结构示意图；
图8为本发明实施例提供的一种模型输出结果示意图；
图9为本发明实施例提供的一种解调装置的结构示意图；
图10为本发明实施例提供的一种模型训练装置的结构示意图；
图11为本发明实施例提供的另一种模型训练装置的结构示意图；
图12为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种轨道角动量解调方法，以下分别进行详细说明。
参见图1，图1为本发明实施例提供的一种解调方法的流程示意图，该方法包括如下步骤101-103。
步骤101，获得所接收调制信号的轨道角动量OAM强度图，作为待识别强度图。
具体的，调制后的信号在湍流信道中进行传输，在信号接收端接收传输的调制信号并且得到所传输调制信号的OAM强度图，所获得的OAM强度图作为将要进行OAM模式识别的强度图，也就是上述待识别强度图。
本发明的一个实施例中，可以通过信号接收端的CCD(Charge Coupled Device，电荷耦合器件)相机捕获所传输调制信号，再得到所接收调制信号的OAM强度图。
步骤102，将上述待识别强度图输入预先训练的OAM模式识别模型，识别得到上述调制信号时所基于的OAM模式。
其中，上述OAM模式识别模型的第一初始模型为：通过修改判别网络模型的全连接层神经元数量得到的模型，上述判别网络模型是与生成网络模型相结合训练得到的模型，上述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，上述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型。
具体的，进行模型训练得到OAM模式识别模型的过程中，可以学习到各个OAM模式下的强度图具有的特征，基于此，将上述待识别强度图输入预先训练的OAM模式识别模型后，该OAM模式识别模型可以提取待识别强度图的特征，与上述学习到的特征进行比对，得到待识别强度图对应的OAM模式，从而得到上述调制信号时所基于的OAM模式。
本发明的一个实施例，上述将判别网络模型与生成网络模型相结合进行训练时，所使用的模型为条件生成网络对抗模型。
步骤103，按照识别出的OAM模式对上述调制信号进行解调。
具体的，在通过识别强度图得到该强度图对应的OAM模式后，按照该OAM模式对所接收的调制信号进行解调。
可见，应用上述实施例提供的方案进行信号解调时，由于上述判别网络模型是与生成网络模型相结合训练得到的模型，所以在训练判别网络模型时，既有收集的真实强度图作为样本，也有生成网络模型生成的强度图作为样本，样本强度图的数量足够，训练得到的判别网络模型的泛化能力强。通过修改判别网络模型的神经元数量得到OAM模式识别模型的第一初始模型，并且对该第一初始模型训练得到OAM模式识别模型，训练得到的OAM模式识别模型的识别准确度高。由于OAM模式识别模型具有高泛化能力，且识别准确率高，所以该OAM模式识别模型用于信号解调时，解调准确率高。
下面通过具体实施例对上述OAM模式识别模型的训练过程进行介绍。
参见图2，图2为本发明实施例提供的一种模型训练方法的流程示意图，通过该方法可以训练得到上述OAM模式识别模型，具体包括以下步骤201-203。
步骤201，获得已标注OAM模式的OAM强度图，作为样本强度图。
本发明的一个实施例中，将上述所获得的已标注OAM模式的OAM强度图作为样本强度图中的正样本。
具体的，信号发送端向信号接收端发送不同的OAM模式下获得的调试信号，在信号接收端通过CCD相机捕获到所接收的调制信号后，再得到所接收调制信号的OAM强度图。开发人员可以手动将各个OAM模式标注到对应的OAM强度图，从而得到样本强度图。
下面结合图3对样本强度图进行详细说明。
参见图3，图3中包括16个方框，这16个方框中的图像均为OAM强度图，方框上所标注的是该OAM强度图对应的OAM模式标识。
例如，对于第一行第一列的OAM强度图而言，该OAM强度图上侧标有{1}，则该OAM强度图对应于标识为1的OAM模式。
对于第二行第一列的OAM强度图而言，该OAM强度图上侧标有{1，3，-5}，则该OAM强度图对应于标识为1、3、-5的OAM模式。
步骤202，获得样本强度图对应的已标注OAM模式的数量，作为第一数量。
具体的，样本强度图是将各个OAM模式标注到对应的OAM强度图得到的，所以各个样本强度图均具有已标注的OAM模式，统计样本强度图上已标注的OAM模式数量，作为第一数量。
步骤203，以各个样本强度图和各个样本强度图对应的已标注OAM模式为输入信息对上述OAM模式识别模型的第一初始模型进行训练，得到上述OAM模式识别模型。
其中，上述第一初始模型为：将判别网络模型的全连接层神经元数量修改为第一数量后得到的模型，上述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，上述判别网络模型是以生成网络模型的输出信息为输入进行训练得到的，上述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型。
下面结合图4对OAM模式识别模型的第一初始模型的结构进行说明。
参见图4，图4中示出了一种第一初始模型的结构，该模型包括4部分，从上到下依次为：第一部分是输入层，例如，该输入层的输入信息可以为64*64*3大小的OAM强度图；第二部分是卷积层，且卷积层参数与判别网络模型卷积层参数一致，例如，在输入层的输入信息可以为64*64*3大小的OAM强度图的情况下，经过卷积层采样后所得结果为4*4*384的输出信息；第三部分是全连接层FC(Full Connection Layer)，其中，BN表示批规范化(BatchNormalization)，LeakyReLU(Leaky Rectified Linear Unit)表示激活函数，数字表示该全连接层神经元数量，例如，图4中所示的1024，16表示输入端是1024个神经元，输出端是16个神经元的全连接网络；第四部分是输出层，输出该第一初始模型识别得到的OAM模式，其输出结果可以以预设数量的二进制编码表示，例如，图4所示的16，表示输出结果是一个16位的二进制编码，而这16位的输出结果中只有一位取值为1。
本发明的一个实施例中，可以选取标识为{1，-2，3，-5}的4种OAM模式进行随机组合，得到16个OAM模式组合，对16个OAM模式进行仿真可以得到图3所示的各个OAM模型下的OAM强度图。针对每一种OAM模式收集1000张OAM强度图，在每张OAM强度图上标注对应的OAM模式，得到已标注OAM模式数量为16，所以修改判别网络模型的全连接层神经元数量为16后，得到OAM模式识别模型的第一初始模型。将每张OAM强度图输入到上述OAM模式识别模型的第一初始模型中，输出为第一初始模型识别出的每张OAM强度图的OAM模式。将识别出的每张OAM强度图的OAM模式，与每张OAM强度图已标注OAM模式进行比对，根据比对结果，通过使用SGD(Stochastic Gradient Descent，随机梯度下降算法)优化器更新该第一初始模型全连接层的模型参数。
可见，应用本发明的实施例提供的方案进行信号解调时，通过修改判别网络模型的全连接层神经元数量，得到OAM模式识别模型的第一初始模型后，将各个样本强度图和和各个样本强度图对应的已标注OAM模式输入该第一初始模型，输出为第一初始模型识别出的各个样本强度图的OAM模式。将识别出的各个样本强度图的OAM模式，与各个样本强度图已标注OAM模式进行比对，根据比对结果，更新该第一初始模型全连接层的模型参数。这样训练得到的OAM模式识别模型的识别准确率高。
下面将结合图5对试验结果对比折线进行详细说明。
参见图5，图5中示出了两条折线，纵向上表示准确率，横向上表示测试周期。折线1表示的是基于上述OAM模式识别模型识别出的OAM模式进行解调的准确率随测试周期的变化折线。折线2表示的是基于卷积神经网络(Convolutional Neural Networks,CNN)识别出的OAM模式进行解调的准确率随测试周期的变化折线。可以很明显的观察到折线1对应的准确率在不同的测试周期均高于折线2对应的准确率，所以，基于上述OAM模式识别模型识别出的OAM模式进行解调的准确率更高。
参见图6，图6为本发明实施例提供的另一种模型训练方法的流程示意图，通过该方法可以训练得到上述判别网络模型。
在训练得到上述判别网络的过程中，可以按照以下步骤601-604所示的方式，周期性的对生成网络的第二初始模型和判别网络的第三初始模型进行训练。
也就是说，执行完一次下述步骤601-604可以再次循环执行下述步骤601-604，直至满足模型训练的要求。例如，训练所得到的的模型满足预设的收敛性要求。
步骤601，将随机噪声和样本强度图对应的已标注OAM模式作为上述第二初始模型的输入信息，输入上述第二初始模型，获得新生成的第一OAM强度图和第一OAM强度图对应的第一OAM模式。
下面结合图7a对生成网络的第二初始模型的结构进行详细说明。
图7a示出了生成网络的第二初始模型的结构图，该第二初始模型的结构图包括7层，从上到下依次为：第一层为输入层：输入随机噪声z和作为条件C的OAM模式的one hot(独热)编码向量，其中，OAM模式的one hot向量是为了将不同的OAM模式变量转换为机器学习算法易于利用的一种形式，例如，上述OAM模式可以存在16种，如图7a中所示的“16”表示存在16个OAM模式；第二层为全连接层FC，其中，BN表示批规范化(Batch Normalization)；第三、四、五和六层均为卷积层：其中，Deconv表示反卷积(Deconvolution)，ReLU表示修正线性单元(Rectified Linear Unit)，例如，每一卷积层中卷积核的步长stride可以均为2、填充pad可以均为1和大小可以均为4；第七层为输出层：将该第二初始模型生成的OAM强度图输出，例如，所输出的OAM强度图可以是64*64*3大小。
本发明的一个实施例中，参见图7a，将100维的噪声和给定的OAM模式的one hot向量输入该第二初始模型的输入层，经过第二初始模型的全连接层变为6144*1的一维向量，之后该一维向量通过Reshape(重构)函数被重构成4*4*256维张量，在经过步长为2，填充为1，大小4的第三层的卷积层的卷积核上采样后，得到8*8*256维张量，其中256表示维度是256，经过第四卷积层的卷积核上采样后，得到16*16*128维张量，其中128表示维度是128，经过第五卷积层的卷积核上采样后，得到32*32*64维张量，其中64表示维度是64，经过第六卷积层的卷积核上采样后，得到64*64*3维张量，其中3表示维度是3，将最后得到的张量保存为图像作为OAM强度图，也就是，得到生成网络的第二初始模型的输出信息。
步骤602，将第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入上述第三初始模型，判别上述第一OAM强度图的实际OAM模式是否为上述第一OAM模式。
具体的，将第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入上述第三初始模型后，第三初始模型将会提取第一OAM强度图和样本强度图的图片特征进行特征比对，以此判别上述第一OAM强度图的实际OAM模式是否为上述第一OAM模式。
下面结合图7b对判别网络的第三初始模型的结构进行详细说明。
图7b示出了判别网络的第三初始模型的结构图，该第三初始模型的结构图包括7层，从上到下依次为：第一层为输入层：输入生成网络的第二初始模型生成的图片或真实的样本图片；第二、三、四和五层均为卷积层：其中，Conv表示卷积(Convolution)，LeakyReLU表示是激活函数，例如，每一卷积层中卷积核的步长stride可以均为2、填充pad可以均为1和大小可以均为4；第六层为全连接层FC，其中，BN表示批规范化(Batch Normalization)，1024表示全连接层中间隐藏层神经元的数量为1024，1表示全连接层的输出端神经元数量为1；第七层为输出层：将该第三初始模型判别的结果输出。
本发明的一个实施例中，参见图7b，将生成网络的第二初始模型生成的64*64*3的图片输入第三初始模型的输入层，其中3表示维度是3，在经过步长为2，填充为1，大小4的第二层的卷积层的卷积核上采样后，得到32*32*64维张量，其中64表示维度是64，经过第三卷积层的卷积核采样后，得到16*16*128维张量，其中128表示维度是128，经过第四卷积层的卷积核采样后，得到8*8*256维张量，其中256表示维度是256，经过第五卷积层的卷积核采样后，得到4*4*384维张量，其中384表示维度是384，将4*4*384维张量重构成6144*1的一维向量后，与第二初始模型输入的OAM模式的one hot向量相结合，得到第六层全连接层的输入，全连接层最后输出维度、大小为1的向量到输出层，最后输出层将得到的结果输出，也就是，得到判别网络的第三初始模型的判别结果。
步骤603，对上述第三初始模型的模型参数进行调整的次数未达到第一预设次数时，根据判别结果，获得上述第三初始模型对应的判别损失，并基于上述判别损失调整上述第三初始模型的模型参数。
具体的，根据第三初始模型的判别结果，利用该第三初始模型的损失函数计算第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式之间的损失，获得判别损失，根据判别损失，调整上述第三初始模型的模型参数，直至调整的次数达到第一预设次数。
本发明的一个实施例中，第一预设次数为2次，将第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入上述第三初始模型，获得判别结果，利用该第三初始模型的损失函数计算判别损失，根据判别损失，利用随机梯度下降(SGD)算法更新第三初始模型的模型参数，再将第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入模型参数更新后的第三初始模型，获得判别结果，利用该第三初始模型的损失函数计算判别损失，根据判别损失，利用随机梯度下降(SGD)算法更新已经更新了1次的第三初始模型的模型参数。
步骤604，对上述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对上述第二初始模型的模型参数进行调整的次数未达到第二预设次数时，根据判别结果，获得上述第二初始模型对应的生成损失，并基于上述生成损失调整上述第二初始模型的模型参数；
具体的，当对第三初始模型的模型参数调整的次数达到第一预设次数后，就不在调整该第三初始模型，将第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入已经调整完成的第三初始模型，获得判别结果，利用该第二初始模型的损失函数计算生成损失，根据生成损失，调整上述第二初始模型的模型参数，直至调整的次数达到第二预设次数。
本发明的一个实施例中，第二预设次数为1次，当对第三初始模型的模型参数调整的次数达到第2次后，就不在调整该第三初始模型，将第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入已经调整完成的第三初始模型，获得判别结果，利用该第二初始模型的损失函数计算生成损失，根据生成损失，利用随机梯度下降(SGD)算法更新1次的第二初始模型的模型参数。
步骤605，返回上述将随机噪声和样本强度图对应的已标注OAM模式作为上述第二初始模型的输入信息的步骤，直至对上述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对上述第二初始模型的模型参数进行调整的次数达到第二预设次数。
下面将结合图8对训练后的第二初始模型生成的OAM强度图进行详细说明。
参见图8，图8中所示出的矩形框中均为OAM强度图，矩形框中的强度图有4行，且所有的强度图对应的OAM模式相同。从上向下看，第一、二行OAM强度图为调制信号在湍流强度为1×10-13m-2/3的信道中传输时，在接收端捕获得到的OAM强度图，第一行OAM强度图为实际条件下的真实OAM强度图，第二行OAM强度图为训练后的第二初始模型生成的OAM强度图，第三、四行OAM强度图为调制信号在湍流强度为4×10-13m-2/3的信道中传输时，在接收端捕获得到的OAM强度图，第三行OAM强度图为实际条件下的真实OAM强度图，第二行OAM强度图为训练后的第二初始模型生成的OAM强度图。可以观察到训练后的第二初始模型生成的OAM强度图与实际条件下的真实OAM强度图无明显差异，所以训练后的第二初始模型生成图片准确度的高。
可见，应用本发明的实施例提供的方案进行信号解调时，由于上述判别网络模型是与生成网络模型相结合训练得到的模型，所以在训练判别网络模型时，既有收集的真实强度图作为样本，也有生成网络模型生成的强度图作为样本，样本强度图的数量足够，训练得到的判别网络模型的泛化能力强。
本发明的一个实施例中，根据判别结果，获得上述第三初始模型对应的判别损失，包括：
根据判别结果，按照以下表达式，计算输入的OAM强度图和OAM模式后，判别该OAM模式是该OAM强度图的实际OAM模式的概率，与该OAM模式就是该OAM强度图的实际OAM模式的概率之间的损失：
其中，表示所述判别损失，D表示所述判别网络模型，表示样本强度图的数学期望，x表示样本强度图，pdata(x)表示样本强度图的分布，C表示OAM模式，D(x|C)表示所述判别结果，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
本发明的一个实施例中，根据判别结果，获得上述第二初始模型对应的生成损失，包括：
根据判别结果，按照以下表达式，计算输入第一OAM强度图、第一OAM模式后，判别上述第一OAM强度图的实际OAM模式是上述第一OAM模式的概率，与上述第一OAM强度图的实际OAM模式就是上述第一OAM模式的概率之间的损失：
其中，表示所述生成损失，G表示所述生成网络模型，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
本发明的一个实施例中，在上述获得已标注OAM模式的OAM强度图，作为样本强度图之后，还包括：
针对每一样本强度图，随机设定对应的OAM模式，作为已标注OAM模式，并将随机设定OAM模式后的样本图强度图作为新的样本强度图。
针对每一样本强度图对应的已标注OAM模式，从已有样本强度图中随机选择强度图，设置所选择的强度图对应的OAM模式为该OAM模式，并将该OAM模式作为所选择强度图的已标注OAM模式，将设置OAM模式后的强度图作为新的样本强度图。
本发明的一个实施例中，将上述所获得的新的样本强度图，作为样本强度图中的负样本。
例如，存在样本强度图1、2和3以及OAM模式A、B和C，其中，样本强度图1的实际OAM模式为A，样本强度图2的实际OAM模式为B，样本强度图3的实际OAM模式为C，将样本强度图1与OAM模式A、B和C随机组合得到新的样本强度图，将样本强度图2与OAM模式A、B和C随机组合得到新的样本强度图，将样本强度图3与OAM模式A、B和C随机组合得到新的样本强度图。将新样本强度图和与该强度图组合的OAM模式，作为样本强度图中的负样本。
将OAM模式A与样本强度图1、2和3随机组合得到新的样本强度图，将OAM模式B与样本强度图1、2和3随机组合得到新的样本强度图，将OAM模式C与样本强度图1、2和3随机组合得到新的样本强度图。将已确定的OAM模式和与该OAM模式组合的强度图，也作为样本强度图中的负样本。
本发明的一个实施例中，在将上述第一OAM强度图和第一OAM模式输入判别网络模型进行训练后，将该第一OAM强度图与第一OAM模式同样作为样本强度图中的负样本。
可见，应用上述实施例提供的方案进行信号解调时，由于上述判别网络模型是与生成网络模型相结合训练得到的模型，所以在训练判别网络模型时，既有收集的真实强度图作为样本，也有生成网络模型生成的强度图作为样本，样本强度图的数量足够，训练得到的判别网络模型的泛化能力强。通过修改判别网络模型的神经元数量得到OAM模式识别模型的第一初始模型，并且对该第一初始模型训练得到OAM模式识别模型，训练得到的OAM模式识别模型的识别准确度高。由于OAM模式识别模型具有高泛化能力，且识别准确率高，所以该OAM模式识别模型用于信号解调时，解调准确率高。
与上述解调方法相对应，本发明实施例还提供了一种解调装置。
参见图9，提供了一种解调装置的结构示意图，该装置包括：
强度图获的模块901，用于获得所接收调制信号的轨道角动量OAM强度图，作为待识别强度图；
模式识别模块902，用于将所述待识别强度图输入预先训练的OAM模式识别模型，识别得到所述调制信号时所基于的OAM模式，其中，所述OAM模式识别模型的第一初始模型为：通过修改判别网络模型的全连接层神经元数量得到的模型，所述判别网络模型是与生成网络模型相结合训练得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型；
信号解调模块903，用于按照识别出的OAM模式对所述调制信号进行解调。
可见，应用上述实施例提供的装置进行基于信号解调时，由于上述判别网络模型是与生成网络模型相结合训练得到的模型，所以在训练判别网络模型时，既有收集的真实强度图作为样本，也有生成网络模型生成的强度图作为样本，样本强度图的数量足够，训练得到的判别网络模型的泛化能力强。通过修改判别网络模型的神经元数量得到OAM模式识别模型的第一初始模型，并且对该第一初始模型训练得到OAM模式识别模型，训练得到的OAM模式识别模型的识别准确度高。由于OAM模式识别模型具有高泛化能力，且识别准确率高，所以该OAM模式识别模型用于调制信号解调时，解调准确率高。
本发明的一个实施例中，参见图10，提供了一种模型训练装置的结构示意图，所述装置中包括识别模型训练模块；
其中，所述识别模型训练模块，包括：
第一强度图获得单元1001，用于获得已标注OAM模式的OAM强度图，作为样本强度图；
数量获得单元1002，用于获得样本强度图对应的已标注OAM模式的数量，作为第一数量；
模型获得单元1003，用于以各个样本强度图和各个样本强度图对应的已标注OAM模式为输入信息，对所述第一初始模型进行训练，得到所述OAM模式识别模型，其中，所述第一初始模型为：将判别网络模型的全连接层神经元数量修改为第一数量后得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述判别网络模型是以生成网络模型的输出信息为输入信息进行训练得到的，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型。
可见，应用本发明的实施例提供的装置进行信号解调时，通过修改判别网络模型的全连接层神经元数量，得到OAM模式识别模型的第一初始模型后，将各个样本强度图和和各个样本强度图对应的已标注OAM模式输入该第一初始模型，输出为第一初始模型识别出的各个样本强度图的OAM模式。将识别出的各个样本强度图的OAM模式，与各个样本强度图已标注OAM模式进行比对，根据比对结果，更新该第一初始模型全连接层的模型参数。这样训练得到的OAM模式识别模型的识别准确率高。
本发明的一个实施例中，参见图11，提供了另一种模型训练装置的结构示意图，所述装置中包括判别模型训练模块；
其中，所述判别模型训练模块，具体用于周期性的对生成网络的第二初始模型和判别网络的第三初始模型进行训练；
所述判别模型训练模块，包括：
信息获得单元1101，用于将随机噪声和样本强度图对应的已标注OAM模式作为所述第二初始模型的输入信息，输入所述第二初始模型，获得新生成的第一OAM强度图和第一OAM强度图对应的第一OAM模式；
判别结果获得单元1102，用于将所述第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入所述第三初始模型，判别所述第一OAM强度图的实际OAM模式是否为所述第一OAM模式，获得判别结果；
第一参数调整单元1103，用于对所述第三初始模型的模型参数进行调整的次数未达到第一预设次数时，根据所述判别结果，获得所述第三初始模型对应的判别损失，并基于所述判别损失调整所述第三初始模型的模型参数；
第二参数调整单元1104，用于对所述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对所述第二初始模型的模型参数进行调整的次数未达到第二预设次数时，根据所述判别结果，获得所述第二初始模型对应的生成损失，并基于所述生成损失调整所述第二初始模型的模型参数；触发所述信息获得单元，直至对所述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对所述第二初始模型的模型参数进行调整的次数达到第二预设次数。
可见，应用本发明的实施例提供的装置进行信号解调时，由于上述判别网络模型是与生成网络模型相结合训练得到的模型，所以在训练判别网络模型时，既有收集的真实强度图作为样本，也有生成网络模型生成的强度图作为样本，样本强度图的数量足够，训练得到的判别网络模型的泛化能力强。
本发明的一个实施例中，所述第一参数调整单元，具体用于：
根据所述判别结果，按照以下表达式，计算所述第三初始模型对应的判别损失：
其中，表示所述判别损失，D表示所述判别网络模型，表示样本强度图的数学期望，x表示样本强度图，pdata(x)表示样本强度图的分布，C表示OAM模式，D(x|C)表示所述判别结果，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
本发明的一个实施例中，所述第二参数调整单元，具体用于：
根据所述判别结果，按照以下表达式，计算所述第二初始模型对应的判别损失：
其中，表示所述生成损失，G表示所述生成网络模型，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
本发明的一个实施例中，所述识别模型训练模块，还包括：
第二强度图获得单元，用于在所述第一强度图获得单元获得样本强度图之后，针对每一样本强度图，随机设定对应的OAM模式，作为已标注OAM模式，并将随机设定OAM模式后的样本图强度图作为新的样本强度图；
针对每一样本强度图对应的已标注OAM模式，从已有样本强度图中随机选择强度图，设置所选择的强度图对应的OAM模式为该OAM模式，并将该OAM模式作为所选择强度图的已标注OAM模式，将设置OAM模式后的强度图作为新的样本强度图。
可见，应用上述实施例提供的方案进行信号解调时，由于上述判别网络模型是与生成网络模型相结合训练得到的模型，所以在训练判别网络模型时，既有收集的真实强度图作为样本，也有生成网络模型生成的强度图作为样本，样本强度图的数量足够，训练得到的判别网络模型的泛化能力强。通过修改判别网络模型的神经元数量得到OAM模式识别模型的第一初始模型，并且对该第一初始模型训练得到OAM模式识别模型，训练得到的OAM模式识别模型的识别准确度高。由于OAM模式识别模型具有高泛化能力，且识别准确率高，所以该OAM模式识别模型用于调制信号解调时，解调准确率高。
与上述解调方法相对应，本发明实施例还提供了一种电子设备。
参见图12，提供了一种电子设备的结构示意图，该电子设备包括：处理器1201、通信接口1202、存储器1203和通信总线1204，其中，处理器1201，通信接口1202，存储器1203通过通信总线1204完成相互间的通信，
存储器1203，用于存放计算机程序；
处理器1201，用于执行存储器1203上所存放的程序时，实现上述各个实施例所述的方法步骤。
与上述解调方法相对应，本发明实施例还提供了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内存储有计算机程序，所述计算机程序被处理器执行时实现上述各个实施例所述的方法步骤。
可见，应用上述实施例提供的方案进行解调时，由于上述判别网络模型是与生成网络模型相结合训练得到的模型，所以在训练判别网络模型时，既有收集的真实强度图作为样本，也有生成网络模型生成的强度图作为样本，样本强度图的数量足够，训练得到的判别网络模型的泛化能力强。通过修改判别网络模型的神经元数量得到OAM模式识别模型的第一初始模型，并且对该第一初始模型训练得到OAM模式识别模型，训练得到的OAM模式识别模型的识别准确度高。由于OAM模式识别模型具有高泛化能力，且识别准确率高，所以使用该OAM模式识别模型进行OAM解调时，解调准确率高。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，上述计算机程序被处理器执行时实现上述任一解调方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一解调方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。上述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行上述计算机程序指令时，全部或部分地产生按照本发明实施例上述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质、计算机程序产品而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上上述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种解调方法，其特征在于，所述方法包括：
获得所接收调制信号的轨道角动量OAM强度图，作为待识别强度图；
将所述待识别强度图输入预先训练的OAM模式识别模型，识别得到所述调制信号时所基于的OAM模式，其中，所述OAM模式识别模型的第一初始模型为：通过修改判别网络模型的全连接层神经元数量得到的模型，所述判别网络模型是与生成网络模型相结合训练得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型；
按照识别出的OAM模式对所述调制信号进行解调。
2.根据权利要求1所述的方法，其特征在于，通过以下方式训练得到所述OAM模式识别模型：
获得已标注OAM模式的OAM强度图，作为样本强度图；
获得样本强度图对应的已标注OAM模式的数量，作为第一数量；
以各个样本强度图和各个样本强度图对应的已标注OAM模式为输入信息，对所述第一初始模型进行训练，得到所述OAM模式识别模型，其中，所述第一初始模型为：将判别网络模型的全连接层神经元数量修改为第一数量后得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述判别网络模型是以生成网络模型的输出信息为输入信息进行训练得到的，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型。
3.根据权利要求2所述的方法，其特征在于，通过以下方式训练得到所述判别网络模型：
按照以下方式，周期性的对生成网络的第二初始模型和判别网络的第三初始模型进行训练：
将随机噪声和样本强度图对应的已标注OAM模式作为所述第二初始模型的输入信息，输入所述第二初始模型，获得新生成的第一OAM强度图和第一OAM强度图对应的第一OAM模式；
将所述第一OAM强度图、第一OAM模式、样本强度图和样本强度图对应的已标注OAM模式作为输入信息，输入所述第三初始模型，判别所述第一OAM强度图的实际OAM模式是否为所述第一OAM模式，获得判别结果；
对所述第三初始模型的模型参数进行调整的次数未达到第一预设次数时，根据所述判别结果，获得所述第三初始模型对应的判别损失，并基于所述判别损失调整所述第三初始模型的模型参数；
对所述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对所述第二初始模型的模型参数进行调整的次数未达到第二预设次数时，根据所述判别结果，获得所述第二初始模型对应的生成损失，并基于所述生成损失调整所述第二初始模型的模型参数；
返回所述将随机噪声和样本强度图对应的已标注OAM模式作为所述第二初始模型的输入信息的步骤，直至对所述第三初始模型的模型参数进行调整的次数达到第一预设次数、且对所述第二初始模型的模型参数进行调整的次数达到第二预设次数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述判别结果，获得所述第三初始模型对应的判别损失，包括：
根据所述判别结果，按照以下表达式，计算所述第三初始模型对应的判别损失：
其中，表示所述判别损失，D表示所述判别网络模型，表示样本强度图的数学期望，x表示样本强度图，pdata(x)表示样本强度图的分布，C表示OAM模式，D(x|)表示所述判别结果，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
5.根据权利要求3所述的方法，其特征在于，所述根据所述判别结果，获得所述第二初始模型对应的生成损失，包括：
根据所述判别结果，按照以下表达式，计算所述第二初始模型对应的生成损失：
其中，表示所述生成损失，G表示所述生成网络模型，表示所述生成网络模型生成的OAM强度图的数学期望，z表示随机噪声，G(z|C)表示所述生成网络模型的输出信息，D(G(z|C))表示所述判别网络针对所述生成网络模型的输出信息的判别结果。
6.根据权利要求2-5中任一项所述的方法，其特征在于，在所述获得已标注OAM模式的OAM强度图，作为样本强度图之后，还包括：
针对每一样本强度图，随机设定对应的OAM模式，作为已标注OAM模式，并将随机设定OAM模式后的样本图强度图作为新的样本强度图；
针对每一样本强度图对应的已标注OAM模式，从已有样本强度图中随机选择强度图，设置所选择的强度图对应的OAM模式为该OAM模式，并将该OAM模式作为所选择强度图的已标注OAM模式，将设置OAM模式后的强度图作为新的样本强度图。
7.一种解调装置，其特征在于，所述装置包括：
强度图获得模块，用于获得所接收调制信号的轨道角动量OAM强度图，作为待识别强度图；
模式识别模块，用于将所述待识别强度图输入预先训练的OAM模式识别模型，识别得到所述调制信号时所基于的OAM模式，其中，所述OAM模式识别模型的第一初始模型为：通过修改判别网络模型的全连接层神经元数量得到的模型，所述判别网络模型是与生成网络模型相结合训练得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型；
信号解调模块，用于按照识别出的OAM模式对所述调制信号进行解调。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：识别模型训练模块，用于训练得到所述OAM模式识别模型；
其中，所述识别模型训练模块，包括：
第一强度图获得单元，用于获得已标注OAM模式的OAM强度图，作为样本强度图；
数量获得单元，用于获得样本强度图对应的已标注OAM模式的数量，作为第一数量；
模型获得单元，用于以各个样本强度图和各个样本强度图对应的已标注OAM模式为输入信息，对所述第一初始模型进行训练，得到所述OAM模式识别模型，其中，所述第一初始模型为：将判别网络模型的全连接层神经元数量修改为第一数量后得到的模型，所述判别网络模型为：用于判断OAM强度图和OAM强度图对应的OAM模式是否一致的模型，所述判别网络模型是以生成网络模型的输出信息为输入信息进行训练得到的，所述生成网络模型为：用于生成OAM强度图和OAM强度图对应的OAM模式的模型。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN201910631476.8A 2019-07-12 2019-07-12 一种解调方法及装置 Active CN110401488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910631476.8A CN110401488B (zh) 2019-07-12 2019-07-12 一种解调方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910631476.8A CN110401488B (zh) 2019-07-12 2019-07-12 一种解调方法及装置

Publications (2)

Publication Number Publication Date
CN110401488A true CN110401488A (zh) 2019-11-01
CN110401488B CN110401488B (zh) 2021-02-05

Family

ID=68325456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910631476.8A Active CN110401488B (zh) 2019-07-12 2019-07-12 一种解调方法及装置

Country Status (1)

Country Link
CN (1) CN110401488B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112179506A (zh) * 2020-08-17 2021-01-05 深圳大学 一种混合阶或分数阶涡旋光束模态识别装置及方法
CN113242201A (zh) * 2021-04-16 2021-08-10 西北大学 基于生成分类网络的无线信号增强解调方法及系统
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 (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105007121A (zh) * 2015-08-18 2015-10-28 深圳大学 基于光载无线技术的毫米波轨道角动量通信装置及方法
CN106506089A (zh) * 2016-11-25 2017-03-15 深圳大学 一种光学轨道角动量信号解调装置及方法
CN108197525A (zh) * 2017-11-20 2018-06-22 中国科学院自动化研究所 人脸图像生成方法及装置
CN108242957A (zh) * 2017-12-06 2018-07-03 杭州电子科技大学 基于信号串扰分布特征识别oam光束拓扑荷数的检测系统
US20180234236A1 (en) * 2017-02-16 2018-08-16 Nec Laboratories America, Inc. Multidimensional coded modulation for wireless communications with physical layer security
CN108830850A (zh) * 2018-06-28 2018-11-16 信利（惠州）智能显示有限公司 自动光学检测图片分析方法及设备
CN109039468A (zh) * 2018-07-27 2018-12-18 北京邮电大学 一种信息调制方法、信息解调方法、装置及通信系统
CN208420171U (zh) * 2018-08-10 2019-01-22 中南民族大学 一种基于数字微镜的通信光束轨道角动量模式的识别装置
CN109450550A (zh) * 2018-11-13 2019-03-08 同济大学 一种基于卷积神经网络的相干oam通信解调系统
US20190108445A1 (en) * 2017-10-09 2019-04-11 Nec Laboratories America, Inc. Neural network transfer learning for quality of transmission prediction
CN109766835A (zh) * 2019-01-11 2019-05-17 西安电子科技大学 基于多参数优化生成对抗网络的sar目标识别方法
CN109800811A (zh) * 2019-01-24 2019-05-24 吉林大学 一种基于深度学习的小样本图像识别方法
CN109903242A (zh) * 2019-02-01 2019-06-18 深兰科技（上海）有限公司 一种图像生成方法及装置
CN109919130A (zh) * 2019-03-21 2019-06-21 西安交通大学 一种基于改进遗传算法优化的质量控制图模式识别方法
CN109948776A (zh) * 2019-02-26 2019-06-28 华南农业大学 一种基于lbp的对抗网络模型图片标签生成方法
EP3506174A1 (fr) * 2017-12-29 2019-07-03 Avantix Système de démodulation ou de recherche en aveugle des caractéristiques de signaux de télécommunication numérique
US10348410B1 (en) * 2018-04-24 2019-07-09 Ciena Corporation Adaptive optical modem configuration based on operating conditions

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105007121A (zh) * 2015-08-18 2015-10-28 深圳大学 基于光载无线技术的毫米波轨道角动量通信装置及方法
CN106506089A (zh) * 2016-11-25 2017-03-15 深圳大学 一种光学轨道角动量信号解调装置及方法
US20180234236A1 (en) * 2017-02-16 2018-08-16 Nec Laboratories America, Inc. Multidimensional coded modulation for wireless communications with physical layer security
US20190108445A1 (en) * 2017-10-09 2019-04-11 Nec Laboratories America, Inc. Neural network transfer learning for quality of transmission prediction
CN108197525A (zh) * 2017-11-20 2018-06-22 中国科学院自动化研究所 人脸图像生成方法及装置
CN108242957A (zh) * 2017-12-06 2018-07-03 杭州电子科技大学 基于信号串扰分布特征识别oam光束拓扑荷数的检测系统
EP3506174A1 (fr) * 2017-12-29 2019-07-03 Avantix Système de démodulation ou de recherche en aveugle des caractéristiques de signaux de télécommunication numérique
US10348410B1 (en) * 2018-04-24 2019-07-09 Ciena Corporation Adaptive optical modem configuration based on operating conditions
CN108830850A (zh) * 2018-06-28 2018-11-16 信利（惠州）智能显示有限公司 自动光学检测图片分析方法及设备
CN109039468A (zh) * 2018-07-27 2018-12-18 北京邮电大学 一种信息调制方法、信息解调方法、装置及通信系统
CN208420171U (zh) * 2018-08-10 2019-01-22 中南民族大学 一种基于数字微镜的通信光束轨道角动量模式的识别装置
CN109450550A (zh) * 2018-11-13 2019-03-08 同济大学 一种基于卷积神经网络的相干oam通信解调系统
CN109766835A (zh) * 2019-01-11 2019-05-17 西安电子科技大学 基于多参数优化生成对抗网络的sar目标识别方法
CN109800811A (zh) * 2019-01-24 2019-05-24 吉林大学 一种基于深度学习的小样本图像识别方法
CN109903242A (zh) * 2019-02-01 2019-06-18 深兰科技（上海）有限公司 一种图像生成方法及装置
CN109948776A (zh) * 2019-02-26 2019-06-28 华南农业大学 一种基于lbp的对抗网络模型图片标签生成方法
CN109919130A (zh) * 2019-03-21 2019-06-21 西安交通大学 一种基于改进遗传算法优化的质量控制图模式识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QINGHUA TIAN等: "The Propagation Properties of a Longitudinal Orbital Angular Momentum Multiplexing System in Atmospheric Turbulence", 《IEEE PHOTONICS JOURNAL ( VOLUME: 10 , ISSUE: 1 , FEB. 2018 )》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112179506A (zh) * 2020-08-17 2021-01-05 深圳大学 一种混合阶或分数阶涡旋光束模态识别装置及方法
CN112179506B (zh) * 2020-08-17 2021-11-23 深圳大学 一种混合阶或分数阶涡旋光束模态识别装置及方法
CN113242201A (zh) * 2021-04-16 2021-08-10 西北大学 基于生成分类网络的无线信号增强解调方法及系统
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

Also Published As

Publication number Publication date
CN110401488B (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN106469302B (zh) 一种基于人工神经网络的人脸肤质检测方法
CN107958244A (zh) 一种基于视频多帧人脸特征融合的人脸识别方法及装置
CN110070101A (zh) 植物种类的识别方法及装置、存储介质、计算机设备
CN108460649A (zh) 一种图像识别方法及装置
CN110401488A (zh) 一种解调方法及装置
CN107742107A (zh) 人脸图像分类方法、装置及服务器
CN106780466A (zh) 一种基于卷积神经网络的宫颈细胞图像识别方法
CN107408211A (zh) 用于物体的再识别的方法
CN109359539A (zh) 注意力评估方法、装置、终端设备及计算机可读存储介质
CN110033023A (zh) 一种基于绘本识别的图像数据处理方法及系统
CN110781976B (zh) 训练图像的扩充方法、训练方法及相关装置
CN110309847A (zh) 一种模型压缩方法及装置
CN108198130A (zh) 图像处理方法、装置、存储介质及电子设备
CN105469376A (zh) 确定图片相似度的方法和装置
CN108509892A (zh) 用于生成近红外图像的方法和装置
CN109614993A (zh) 乳腺医学超声图像的自动化分类方法及装置
CN107679457A (zh) 用户身份校验方法及装置
CN110309835A (zh) 一种图像局部特征提取方法及装置
CN110245645A (zh) 人脸活体识别方法、装置、设备及存储介质
CN108388889A (zh) 用于分析人脸图像的方法和装置
CN106709418A (zh) 基于现场照和证件照的人脸识别方法及识别装置
CN111144284A (zh) 深度人脸图像的生成方法、装置、电子设备及介质
KR20210007260A (ko) 3차원 딥러닝을 이용한 어깨 질환 자동 진단 장치, 어깨 질환 진단을 위한 정보 제공 방법 및 어깨 질환 진단을 위한 정보 제공 방법을 수행하는 컴퓨터 프로그램을 기록한 전자 기록 매체
CN107811606B (zh) 基于无线传感器网络的智能视力检测仪
CN109815823A (zh) 数据处理方法及相关产品

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
GR01 Patent grant
GR01 Patent grant