CN112179506B - 一种混合阶或分数阶涡旋光束模态识别装置及方法 - Google Patents
一种混合阶或分数阶涡旋光束模态识别装置及方法 Download PDFInfo
- Publication number
- CN112179506B CN112179506B CN202010825421.3A CN202010825421A CN112179506B CN 112179506 B CN112179506 B CN 112179506B CN 202010825421 A CN202010825421 A CN 202010825421A CN 112179506 B CN112179506 B CN 112179506B
- Authority
- CN
- China
- Prior art keywords
- vortex
- order
- module
- mixed
- light
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 69
- 230000010287 polarization Effects 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000002360 preparation method Methods 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 abstract description 15
- 238000004891 communication Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000012489 doughnuts Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J11/00—Measuring the characteristics of individual optical pulses or of optical pulse trains
-
- 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
- G06N3/08—Learning methods
Abstract
本发明公开了一种混合阶或分数阶涡旋光束模态识别装置及方法,所述装置包括:光束产生装置,用于将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束;特征样本制备装置,用于对混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本;网络训练和识别装置,用于通过畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测。本发明旨在实现高速、高精度以及大范围涡旋光模态检测,从而提升OAM通信的性能。
Description
技术领域
本发明涉及人工智能以及光学技术领域,尤其涉及的是一种混合阶或分数阶涡旋光束模态识别装置及方法。
背景技术
涡旋光是一种携带轨道角动量OAM(Orbital Angular Momentum,OAM,在空间中运动而具有的角动量)的光束,其中心存在相位奇点,在空间分布上呈“甜甜圈”型结构。这些特性使得涡旋光广泛应用于光学操纵、量子信息处理、光子计算机以及自由光空间通信等领域。在通信领域中,由于不同OAM光束之间相互正交,提供了一个全新的物理维度,可以与传统复用技术相结合作为载波进行多路复用,极大地提高系统的通信容量和频谱效率。目前很多研究工作已经证明OAM模式能用来提升OAM复用通信中的容量密度。然而,表现为OAM模式快速切换的位移键控和复用通信由于缺乏对于混合阶或分数阶涡旋光的高效和准确识别而使其应用遇到极大的障碍。
因此,针对上述缺陷,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种混合阶或分数阶涡旋光束模态识别的装置及方法,旨在实现高速、高精度以及大范围的涡旋光模态检测,从而提升OAM通信的性能。
本发明解决技术问题所采用的技术方案如下:
一种混合阶或分数阶涡旋光束模态识别装置,其中,所述混合阶或分数阶涡旋光束模态识别装置包括:
光束产生装置,用于将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束;
特征样本制备装置,用于对所述混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本;
网络训练和识别装置,用于通过所述畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测。
所述混合阶或分数阶涡旋光束模态识别装置,其中,所述光束产生装置包括:
用于产生一束杂偏基模高斯光束的光源;
设置在所述光源后方,用于将所述杂偏基模高斯光束在水平偏振方向上调解后生成水平偏振态的高斯光束的起偏器;
设置在所述起偏器后方,用于将水平偏振态的高斯光束处理为水平偏振的混合阶或分数阶涡旋光束的涡旋光产生模块。
所述混合阶或分数阶涡旋光束模态识别装置,其中,所述特征样本制备装置包括:
设置在所述涡旋光产生模块后方,用于将所述水平偏振的混合阶或分数阶涡旋光束加载湍流相位转变为相位畸变的混合阶或分数阶涡旋光束的湍流相位加载模块;
设置在所述湍流相位加载模块后方,用于将所述相位畸变的混合阶或分数阶涡旋光束转变成涡旋光栅阵列的二维叉形涡旋光栅加载模块;
设置在所述二维叉形涡旋光栅加载模块后方,用于将所述涡旋光栅阵列处理得到受湍流扰动的二维混合阶或分数阶涡旋阵列的衍射模块;
设置在所述衍射模块后方,用于采集畸变涡旋光栅阵列图样的记录衍射图样模块;
设置在所述记录衍射图样模块后方,用于对所述畸变涡旋光栅阵列图样进行特征参量提取的特征参量提取模块。
所述混合阶或分数阶涡旋光束模态识别装置,其中,所述网络训练和识别装置包括:
设置在所述特征参量提取模块后方,用于输入所述特征参量提取模块提取的所述特征参量的网络输入模块;
设置在所述网络输入模块后方,用于对所述特征参量进行迭代训练,并通过所述最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测的网络训练测试模块。
所述混合阶或分数阶涡旋光束模态识别装置,其中,所述光源为工作波长为1550nm的激光器;
所述起偏器为水平偏振方向的格兰棱镜;
所述涡旋光产生模块为只对水平偏振方向响应的第一空间光调制器;
所述湍流相位加载模块为只对水平偏振方向响应的第二空间光调制器;
所述二维叉形涡旋光栅加载模块为只对水平偏振方向响应的第三空间光调制器;
所述衍射模块为1550nm波段的傅里叶透镜;
所述记录衍射图样模块为1550nm波段的电荷耦合器件;
所述特征参量提取模块为第一计算机;
所述网络输入模块为数据传输装置;
所述网络训练及测试模块为搭建有全连接神经网络模型的第二计算机;
所述数据传输装置用于将所述第一计算机的特征参量传输至所述第二计算机。
为了实现上述目的,本发明还提供一种基于所述的混合阶或分数阶涡旋光束模态识别装置的混合阶或分数阶涡旋光束模态识别方法,其中,所述混合阶或分数阶涡旋光束模态识别方法包括以下步骤:
通过所述光束产生装置将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束;
通过所述特征样本制备装置对所述混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本;
通过所述网络训练和识别装置获取所述畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测。
所述的混合阶或分数阶涡旋光束模态识别方法,其中,所述通过所述光束产生装置将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束,具体包括:
将激光器出射的一束杂偏基模高斯光束经过水平偏振方向的起偏器后得到水平偏振态的高斯光束;
水平偏振方向的高斯光束经过涡旋光产生模块生成水平偏振态的混合阶或分数阶涡旋光束。
所述的混合阶或分数阶涡旋光束模态识别方法,其中,所述通过所述特征样本制备装置对所述混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本,具体包括:
将所述水平偏振的混合阶或分数阶涡旋光束经过湍流相位加载模块加载湍流相位转变为相位畸变的混合阶或分数阶涡旋光束;
将所述相位畸变的混合阶或分数阶涡旋光束经过二维叉形涡旋光栅加载模块转变成涡旋光栅阵列;
将所述涡旋光栅阵列经过衍射模块处理得到受湍流扰动的二维混合阶或分数阶涡旋阵列;
通过记录衍射图样模块采集畸变涡旋光栅阵列图样,并通过特征参量提取模块对所述畸变涡旋光栅阵列图样进行特征参量提取,到全连接神经网络训练和测试所需的畸变特征样本。
所述的混合阶或分数阶涡旋光束模态识别方法,其中,所述通过所述网络训练和识别装置获取所述畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测,具体包括:
输入特征参量提取模块提取的所述畸变特征样本作为全连接神经网络的输入,对全连接神经网络进行训练;
当损失函数值达到预设阈值时,得到训练好的最优全连接神经网络模型;
通过所述最优全连接神经网络模型从测试集的特征样本中识别出涡旋光模态。
所述的混合阶或分数阶涡旋光束模态识别方法,其中,所述全连接神经网络的训练步骤包括:
将多个的畸变衍射样本的特征参量输入全连接神经网络后,经过信息前向传播过程得到网络的输出,并根据损失函数得到相应的损失值;
全连接神经网络在得到损失值后经过误差反向传播过程获取更新的网络权值参数,多次迭代更新得到最优全连接神经网络模型;
所述全连接神经网络的识别步骤包括:
在得到所述最优全连接神经网络模型后,将测试集中的畸变衍射图样的特征参量作为所述最优全连接神经网络模型的输入,对全连接神经网络进行测试;
测试结果符合预期后用于混合阶或分数阶涡旋光模态的识别。
有益效果:全连接神经网络在迭代训练到最优之后展现出很强的泛化能力,能够快速且准确的检测出湍流条件下畸变混合阶或分数阶涡旋光束的模态。相比传统的模态检测方法,本发明的混合阶或分数阶涡旋光模态识别装置具有操作简单方便、检测效果高效以及检测范围广等特点,在轨道角动量通信等方面具有广阔的应用前景。
附图说明
图1是本发明混合阶或分数阶涡旋光束模态识别装置的较佳实施例的结构示意图。
图2是本发明混合阶或分数阶涡旋光束模态识别方法的较佳实施例的流程图;
图3是本发明全连接神经网络模型架构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,图1是本发明混合阶或分数阶涡旋光束模态识别装置的较佳实施例的结构示意图。
如图1所示,本发明实施例提供的一种混合阶或分数阶涡旋光束模态识别装置,所述混合阶或分数阶涡旋光束模态识别装置包括:
光束产生装置,用于将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束;特征样本制备装置,用于对所述混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本;网络训练和识别装置,用于通过所述畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测。
其中,所述光束产生装置、所述特征样本制备装置以及所述网络训练和识别装置依次设置在同一光轴上。
具体地,所述光束产生装置包括:光源1、起偏器2和涡旋光产生模块3;所述光源1用于产生一束杂偏基模高斯光束,设置在所述光源1后方,所述起偏器2用于将所述杂偏基模高斯光束在水平偏振方向上调解后生成水平偏振态的高斯光束,设置在所述起偏器2后方,所述涡旋光产生模块3用于将水平偏振态的高斯光束处理为水平偏振的混合阶或分数阶涡旋光束。
其中,所述光源1采用工作波长为1550nm的激光器,所述起偏器2是水平偏振方向的格兰棱镜,所述涡旋光产生模块3是只对水平偏振方向响应的第一空间光调制器。
具体地,所述特征样本制备装置包括:湍流相位加载模块4、二维叉形涡旋光栅加载模块5、衍射模块6、记录衍射图样模块7和特征参量提取模块8;设置在所述涡旋光产生模块3后方,所述湍流相位加载模块4用于将所述水平偏振的混合阶或分数阶涡旋光束加载湍流相位转变为相位畸变的混合阶或分数阶涡旋光束;设置在所述湍流相位加载模块4后方,所述二维叉形涡旋光栅加载模块5用于将所述相位畸变的混合阶或分数阶涡旋光束转变成涡旋光栅阵列;设置在所述二维叉形涡旋光栅加载模块5后方,所述衍射模块6用于将所述涡旋光栅阵列处理得到受湍流扰动的二维混合阶或分数阶涡旋阵列;设置在所述衍射模块后方,所述记录衍射图样模块7用于采集畸变涡旋光栅阵列图样;设置在所述记录衍射图样模块7后方,所述特征参量提取模块8用于对所述畸变涡旋光栅阵列图样进行特征参量提取。
其中,所述湍流相位加载模块4是只对水平偏振方向响应的第二空间光调制器,所述二维叉形涡旋光栅加载模块5是只对水平偏振方向响应的第三空间光调制器,所述衍射模块6是1550nm波段的傅里叶透镜,所述记录衍射图样模块7是1550nm波段的电荷耦合器件,所述特征参量提取模块8为第一计算机。
具体地,所述网络训练和识别装置包括:网络输入模块9和网络训练测试模块10;设置在所述特征参量提取模块8后方,所述网络输入模块9用于输入所述特征参量提取模块提取的所述特征参量;设置在所述网络输入模块9后方,所述网络训练测试模块10用于对所述特征参量进行迭代训练,并通过所述最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测。
其中,所述网络输入模块9为数据传输装置;所述网络训练及测试模块10为搭建有全连接神经网络模型的第二计算机;所述数据传输装置用于将所述第一计算机的特征参量传输至所述第二计算机。
其中,所述光源1、起偏器2、涡旋光产生模块3、湍流相位加载模块4、二维叉形涡旋光栅加载模块5、衍射模块6、记录衍射图样模块7、特征参量提取模块8、网络输入模块9以及网络训练测试模块10依次设置在同一光轴上。
进一步地,基于上述实施例提供的混合阶或分数阶涡旋光束模态识别装置,本发明还提供一种混合阶或分数阶涡旋光束模态识别方法,请参阅图2,图2是本发明混合阶或分数阶涡旋光束模态识别方法的较佳实施例的流程图。
依照本发明中的混合阶或分数阶涡旋光束模态识别装置的光路结构,具体实现过程如下:
步骤S100,通过所述光束产生装置将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束;
步骤S200,通过所述特征样本制备装置对所述混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本;
步骤S300,通过所述网络训练和识别装置获取所述畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测。
具体地,所述步骤S100具体包括:
步骤S110,将激光器出射的一束杂偏基模高斯光束经过水平偏振方向的起偏器后得到水平偏振态的高斯光束;
步骤S120,水平偏振方向的高斯光束经过涡旋光产生模块生成水平偏振态的混合阶或分数阶涡旋光束。
具体地,所述步骤S200具体包括:
步骤S210,将所述水平偏振的混合阶或分数阶涡旋光束经过湍流相位加载模块加载湍流相位转变为相位畸变的混合阶或分数阶涡旋光束;
步骤S220,将所述相位畸变的混合阶或分数阶涡旋光束经过二维叉形涡旋光栅加载模块转变成涡旋光栅阵列;
步骤S230,将所述涡旋光栅阵列经过衍射模块处理得到受湍流扰动的二维混合阶或分数阶涡旋阵列;
步骤S240,通过记录衍射图样模块采集畸变涡旋光栅阵列图样,并通过特征参量提取模块对所述畸变涡旋光栅阵列图样进行特征参量提取,到全连接神经网络训练和测试所需的畸变特征样本。
也就是说,产生的水平偏振涡旋光束经过湍流相位加载装置使其携带大气湍流畸变信息,模拟涡旋光束受自由空间大气湍流的影响;携带湍流信息的涡旋光束经过二维叉形涡旋光栅相位加载装置,获得二维涡旋阵列分布信息,使得其在二维方向叠加不同OAM态;携带湍流信息的混合阶或分数阶涡旋光束经过衍射模块得到受湍流扰动的二维混合阶或分数阶涡旋阵列,输入特征信息提取模块可以提取其中心九个衍射光斑光强的归一化最大值,方差以及平均值三个特征信息构成特征样本。其中特征样本分为训练集和测试集两部分。
具体地,所述步骤S300具体包括:
步骤S310,输入特征参量提取模块提取的所述畸变特征样本作为全连接神经网络的输入,对全连接神经网络进行训练;
步骤S320,当损失函数值达到预设阈值时,得到训练好的最优全连接神经网络模型;
步骤S330,通过所述最优全连接神经网络模型从测试集的特征样本中识别出涡旋光模态。
也就是说,采集大量的经过远场衍射后携带相位畸变和二维涡旋特征的二维混合涡旋光阵列,输入特征参量提取模块提取特征样本作为全连接神经网络的输入,对全连接神经网络进行训练;当损失函数值达到预设阈值时,得到训练好的全连接神经网络;训练最优的全连接神经网络模型可用于从测试集的衍射图样中识别出涡旋光模态。
进一步地,所述全连接神经网络的训练步骤包括:将多个的畸变衍射样本的特征参量输入全连接神经网络后,经过信息前向传播过程得到网络的输出,并根据损失函数得到相应的损失值;全连接神经网络在得到损失值后经过误差反向传播过程获取更新的网络权值参数,多次迭代更新得到最优全连接神经网络模型。
进一步地,所述全连接神经网络的识别步骤包括:在得到所述最优全连接神经网络模型后,将测试集中的畸变衍射图样的特征参量作为所述最优全连接神经网络模型的输入,对全连接神经网络进行测试;测试结果符合预期后用于混合阶或分数阶涡旋光模态的识别。
在本发明的一个较佳实施例中,所述光束产生装置具体用于将激光器(光源)出射的一束杂偏基模高斯光束经过水平偏振方向的起偏器后生成水平偏振态的高斯光束,再经过涡旋光产生模块得到水平偏振的混合阶或分数阶涡旋光束。水平偏振的混合阶或分数阶涡旋光束的远场分布可近似表示为:
其中,w0是基模高斯光束的束腰,r是柱坐标系下的径向分量,θ表示柱坐标系中的角向分量,θr表示混合阶或分数阶的等效相位分布,此处的i表示虚数单位,i2=-1。
而θr的计算具体地可以由拉盖尔-高斯光的叠加来获得其等效相位分布,拉盖尔-高斯光的光场可以表达为:
其中,z表示不同传输距离,代表传输距离为z下的束腰半径,为瑞丽距离,λ是激光器的波长,k=2π/λ是波矢量,l是所携带的OAM态,为拉盖尔多项式。当需要生成分数阶的涡旋光时,只需要将l设置为分数即可;当需要生成混合阶的涡旋光时,需要对多个模式进行叠加。混合阶拉盖尔-高斯光束光场可以表示为:
其中,lm代表第m个模式所携带的OAM态,n代表所叠加的模式总数。因此混合阶涡旋光的等效相位可以表示为:
θr=angle(EMUL);
其中,angle代表对复数矩阵取其相位分布。而对于分数阶涡旋光的等效相位可以表示为:
θr=angle(E(r,θ,z));
在本发明的一个较佳实施例中,所述特征样本制备装置具体用于将水平偏振态的涡旋光束加载湍流相位转变为相位畸变的混合阶或分数阶涡旋光束,然后通过二维叉形涡旋光栅加载模块衍射成涡旋光栅阵列,并用电荷耦合器件进行畸变涡旋光栅阵列图样进行采集。采集的畸变涡旋光栅阵列图样分别输入特征参量提取模块进行特征参量提取,并将所提取的特征样本分为训练集和测试集两个部分,分别用于全连接神经网络的训练和测试。
在本发明的一个较佳实施例中,所述网络训练和识别装置具体用于将采集的训练集特征参量(即所述畸变特征样本)作为全连接神经网络的输入,对其进行迭代训练,当迭代到损失值达到预期阈值即可得到最优全连接神经网络模型,再用最优全连接神经网络模型对测试集中的混合阶或分数阶涡旋光模态进行检测。
本发明中,全连接神经网络在迭代训练到最优之后展现出了很强的泛化能力,能够快速且准确的检测出湍流条件下畸变的混合阶或分数阶涡旋光束模态,解决了OAM键控通信中缺乏有效模式检测技术的问题,极大地其调制能力。相比传统的模态检测方法,本发明的涡旋光模态识别装置具有操作简单方便、检测效果高效以及检测范围广等特点,在轨道角动量通信等方面具有广阔的应用前景。
进一步地,如图3所示,本发明的全连接神经网络模型框架包括:输入层11、隐藏层(3个隐藏层,分别为第一隐藏层12、第二隐藏层13和第三隐藏层14)和输出层15,这是一个输入的特征样本经过一个或多个中间隐藏单元信息流动之后最终到达输出单元的过程。本发明采用的全连接神经网络模型是一个7层的深度神经网络,模型的训练步骤具体如下:
输入层11:将电荷耦合器件记录的畸变衍射阵列所提取的特征参量作为全连接神经网络的输入,对全连接神经网络进行迭代训练,每个输入特征参量的尺寸为1*9。
隐藏层(12、13、14):全连接神经网络包含有3个中间隐藏层,分别由含有128、256以及512个神经元的七个全连接层所构成。第一隐藏层12是采用神经元数目为128的第一全连接层和第二全连接层,第二隐藏层13是采用神经元数目为256的第三全连接层和第四全连接层,第三隐藏层14是采用神经元数目为256的第五全连接层、第六全连接层以及第七全连接层。全连接层的作用是构建每一层之间的联系,提高网络的泛化能力。
输出层15:经过大量特征参量迭代训练达到最优全连接神经网络模型可通过输出层15输出混合阶涡旋光模态数为16或者100。当输出层15的模态数为16代表混合涡旋光模态的选取范围为-8到+8;输出层的模态数为100代表分数阶涡旋光模态的识别精度为0.01。
所述全连接神经网络框架隐藏层采用的激活函数包括:输出层使用Sigmoid函数作为激活函数,其余各层采用ReLu函数(ReLu(·)=max(x,0),其中max(·)表示取最大操作)作为激活函数。神经网络中激活函数的使用,旨在引入非线性因素,使网络能够更好地解决较为复杂的问题。其中Sigmoid分类函数可表示为:
其中,xi表示第i(此处的i表示正整数,即表示哪一个涡旋光束)个涡旋光束的远场衍射阵列的特征参量,θ是网络的权值参数,X'为输出层神经元所计算值。在全连接神经网络模型训练的过程当中,用损失函数来表征模型训练的好坏,随着网络迭代次数的增加,要求损失函数值越低越好,最好接近于0,来表明训练得到的模型精度最高,效果最佳。Sigmoid函数的输出结果是f(xi,θ),它可以通过最小化交叉熵损失函数来训练以逼近实际输出。交叉熵损失函数可表示为:
L(f(X,θ),Y)=-∑yi lnf(xi,θ);
其中,L(·)表示损失函数,θ表示网络权值参数,X表示涡旋光束的远场衍射阵列的特征参量,Y表示网络的理想输出即混合或分数阶涡旋光束的模态数,xi表示第i个涡旋光束的远场衍射阵列的特征参量,yi表示第i个混合或分数阶涡旋光束的模式。
本实施例所述的全连接神经网络的涡旋光束模态识别装置,成功利用深度学习中的全连接神经网络模型对混合或分数阶涡旋光束的模态进行检测。相比传统的模态检测方法,本发明的涡旋光模态识别装置具有操作简单方便、检测效果高效以及检测范围广等特点,在轨道角动量通信等方面具有广阔的应用前景。
综上所述,本发明提出了一种混合阶或分数阶涡旋光束模态识别装置及方法,所述装置包括:光束产生装置,用于将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束;特征样本制备装置,用于对所述混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本;网络训练和识别装置,用于通过所述畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测。本发明中的全连接神经网络在迭代训练到最优之后展现出很强的泛化能力,能够快速且准确的检测出湍流条件下畸变涡旋光束的模态;相比传统的模态检测方法,本发明的涡旋光模态识别装置具有操作简单方便、检测效果高效以及检测范围广等特点,在轨道角动量通信等方面具有广阔的应用前景。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种混合阶或分数阶涡旋光束模态识别装置,其特征在于,所述混合阶或分数阶涡旋光束模态识别装置包括:
光束产生装置,用于将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束;
特征样本制备装置,用于对所述混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本;
网络训练和识别装置,用于通过所述畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测,快速且准确的检测出湍流条件下畸变的混合阶或分数阶涡旋光束模态;
所述光束产生装置包括:
用于产生一束杂偏基模高斯光束的光源;
设置在所述光源后方,用于将所述杂偏基模高斯光束在水平偏振方向上调解后生成水平偏振态的高斯光束的起偏器;
设置在所述起偏器后方,用于将水平偏振态的高斯光束处理为水平偏振的混合阶或分数阶涡旋光束的涡旋光产生模块;
所述特征样本制备装置包括:
设置在所述涡旋光产生模块后方,用于将所述水平偏振的混合阶或分数阶涡旋光束加载湍流相位转变为相位畸变的混合阶或分数阶涡旋光束的湍流相位加载模块;
设置在所述湍流相位加载模块后方,用于将所述相位畸变的混合阶或分数阶涡旋光束转变成涡旋光栅阵列的二维叉形涡旋光栅加载模块;
设置在所述二维叉形涡旋光栅加载模块后方,用于将所述涡旋光栅阵列处理得到受湍流扰动的二维混合阶或分数阶涡旋阵列的衍射模块;
设置在所述衍射模块后方,用于采集畸变涡旋光栅阵列图样的记录衍射图样模块;
设置在所述记录衍射图样模块后方,用于对所述畸变涡旋光栅阵列图样进行特征参量提取的特征参量提取模块;
所述网络训练和识别装置包括:
设置在所述特征参量提取模块后方,用于输入所述特征参量提取模块提取的所述特征参量的网络输入模块;
设置在所述网络输入模块后方,用于对所述特征参量进行迭代训练,并通过所述最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测的网络训练测试模块;
所述光源、起偏器、涡旋光产生模块、湍流相位加载模块、二维叉形涡旋光栅加载模块、衍射模块、记录衍射图样模块、特征参量提取模块、网络输入模块以及网络训练测试模块依次设置在同一光轴上。
2.根据权利要求1所述的混合阶或分数阶涡旋光束模态识别装置,其特征在于,所述光源为工作波长为1550nm的激光器;
所述起偏器为水平偏振方向的格兰棱镜;
所述涡旋光产生模块为只对水平偏振方向响应的第一空间光调制器;
所述湍流相位加载模块为只对水平偏振方向响应的第二空间光调制器;
所述二维叉形涡旋光栅加载模块为只对水平偏振方向响应的第三空间光调制器;
所述衍射模块为1550nm波段的傅里叶透镜;
所述记录衍射图样模块为1550nm波段的电荷耦合器件;
所述特征参量提取模块为第一计算机;
所述网络输入模块为数据传输装置;
所述网络训练及测试模块为搭建有全连接神经网络模型的第二计算机;
所述数据传输装置用于将所述第一计算机的特征参量传输至所述第二计算机。
3.一种基于权利要求1-2任一项所述混合阶或分数阶涡旋光束模态识别装置的混合阶或分数阶涡旋光束模态识别方法,其特征在于,所述混合阶或分数阶涡旋光束模态识别方法包括以下步骤:
通过所述光束产生装置将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束;
通过所述特征样本制备装置对所述混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本;
通过所述网络训练和识别装置获取所述畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测。
4.根据权利要求3所述的混合阶或分数阶涡旋光束模态识别方法,其特征在于,所述通过所述光束产生装置将杂偏基模高斯光处理生成水平偏振方向的高斯光后再转变为水平偏振的混合阶或分数阶涡旋光束,具体包括:
将激光器出射的一束杂偏基模高斯光束经过水平偏振方向的起偏器后得到水平偏振态的高斯光束;
水平偏振方向的高斯光束经过涡旋光产生模块生成水平偏振态的混合阶或分数阶涡旋光束。
5.根据权利要求4所述的混合阶或分数阶涡旋光束模态识别方法,其特征在于,所述通过所述特征样本制备装置对所述混合阶或分数阶涡旋光束进行湍流相位和二维叉形涡旋光栅相位加载,经过远场衍射后得到远场衍射阵列,并利用特征参量提取器件提取特征样本,得到全连接神经网络训练和测试所需的畸变特征样本,具体包括:
将所述水平偏振的混合阶或分数阶涡旋光束经过湍流相位加载模块加载湍流相位转变为相位畸变的混合阶或分数阶涡旋光束;
将所述相位畸变的混合阶或分数阶涡旋光束经过二维叉形涡旋光栅加载模块转变成涡旋光栅阵列;
将所述涡旋光栅阵列经过衍射模块处理得到受湍流扰动的二维混合阶或分数阶涡旋阵列;
通过记录衍射图样模块采集畸变涡旋光栅阵列图样,并通过特征参量提取模块对所述畸变涡旋光栅阵列图样进行特征参量提取,到全连接神经网络训练和测试所需的畸变特征样本。
6.根据权利要求5所述的混合阶或分数阶涡旋光束模态识别方法,其特征在于,所述通过所述网络训练和识别装置获取所述畸变特征样本对全连接神经网络进行迭代训练得到最优模型后,再通过最优模型对测试集中的混合阶或分数阶涡旋光模态进行检测,具体包括:
输入特征参量提取模块提取的所述畸变特征样本作为全连接神经网络的输入,对全连接神经网络进行训练;
当损失函数值达到预设阈值时,得到训练好的最优全连接神经网络模型;
通过所述最优全连接神经网络模型从测试集的特征样本中识别出涡旋光模态。
7.根据权利要求6所述的混合阶或分数阶涡旋光束模态识别方法,其特征在于,所述全连接神经网络的训练步骤包括:
将多个的畸变衍射样本的特征参量输入全连接神经网络后,经过信息前向传播过程得到网络的输出,并根据损失函数得到相应的损失值;
全连接神经网络在得到损失值后经过误差反向传播过程获取更新的网络权值参数,多次迭代更新得到最优全连接神经网络模型;
所述全连接神经网络的识别步骤包括:
在得到所述最优全连接神经网络模型后,将测试集中的畸变衍射图样的特征参量作为所述最优全连接神经网络模型的输入,对全连接神经网络进行测试;
测试结果符合预期后用于混合阶或分数阶涡旋光模态的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010825421.3A CN112179506B (zh) | 2020-08-17 | 2020-08-17 | 一种混合阶或分数阶涡旋光束模态识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010825421.3A CN112179506B (zh) | 2020-08-17 | 2020-08-17 | 一种混合阶或分数阶涡旋光束模态识别装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112179506A CN112179506A (zh) | 2021-01-05 |
CN112179506B true CN112179506B (zh) | 2021-11-23 |
Family
ID=73919790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010825421.3A Active CN112179506B (zh) | 2020-08-17 | 2020-08-17 | 一种混合阶或分数阶涡旋光束模态识别装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112179506B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861634B (zh) * | 2021-01-11 | 2024-04-09 | 南京大学 | 一种基于神经网络的多模涡旋光束解复用方法 |
CN113534473B (zh) * | 2021-06-23 | 2022-08-30 | 吉林大学 | 涡旋光阵列系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016111847A1 (en) * | 2015-01-08 | 2016-07-14 | Nec Laboratories America, Inc. | Method and apparatus for remote sensing using optical orbital angular momentum (oam) -based spectroscopy for detecting lateral motion of a remote object |
CN105988261A (zh) * | 2016-07-18 | 2016-10-05 | 深圳大学 | 一种涡旋光场产生装置 |
CN106289526A (zh) * | 2016-07-21 | 2017-01-04 | 哈尔滨工业大学 | 基于波前转换法的光子轨道角动量测量系统及方法 |
CN107526176A (zh) * | 2017-09-05 | 2017-12-29 | 上海交通大学 | 腔内直接产生阶数可调涡旋光束的方法 |
CN110332990A (zh) * | 2019-05-24 | 2019-10-15 | 深圳大学 | 一种基于深度学习的大气湍流实时补偿方法及系统 |
CN110401488A (zh) * | 2019-07-12 | 2019-11-01 | 北京邮电大学 | 一种解调方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110186559B (zh) * | 2019-04-19 | 2021-07-06 | 深圳大学 | 一种涡旋光束轨道角动量模态的检测方法及装置 |
CN111222538B (zh) * | 2019-11-22 | 2023-05-23 | 深圳大学 | 一种涡旋光束模态识别方法、智能终端及存储介质 |
-
2020
- 2020-08-17 CN CN202010825421.3A patent/CN112179506B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016111847A1 (en) * | 2015-01-08 | 2016-07-14 | Nec Laboratories America, Inc. | Method and apparatus for remote sensing using optical orbital angular momentum (oam) -based spectroscopy for detecting lateral motion of a remote object |
CN105988261A (zh) * | 2016-07-18 | 2016-10-05 | 深圳大学 | 一种涡旋光场产生装置 |
CN106289526A (zh) * | 2016-07-21 | 2017-01-04 | 哈尔滨工业大学 | 基于波前转换法的光子轨道角动量测量系统及方法 |
CN107526176A (zh) * | 2017-09-05 | 2017-12-29 | 上海交通大学 | 腔内直接产生阶数可调涡旋光束的方法 |
CN110332990A (zh) * | 2019-05-24 | 2019-10-15 | 深圳大学 | 一种基于深度学习的大气湍流实时补偿方法及系统 |
CN110401488A (zh) * | 2019-07-12 | 2019-11-01 | 北京邮电大学 | 一种解调方法及装置 |
Non-Patent Citations (3)
Title |
---|
Identifying orbital angular momentum modes in turbulence with high accuracy via machine learning;Sun, RD;《JOURNAL OF OPTICS》;20190731;全文 * |
完美涡旋光拓扑荷的原位测定;任斐斐;《光子学报》;20190621;全文 * |
环形渐变型光栅用于涡旋光束拓扑荷数测量的研究;邹文康;《激光与光电子学进展》;20190725;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112179506A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Class-specific differential detection in diffractive optical neural networks improves inference accuracy | |
CN111985320A (zh) | 一种基于前馈神经网络的多模涡旋光束模态识别系统 | |
Li et al. | Joint atmospheric turbulence detection and adaptive demodulation technique using the CNN for the OAM-FSO communication | |
CN110186559B (zh) | 一种涡旋光束轨道角动量模态的检测方法及装置 | |
Wang et al. | Efficient recognition of the propagated orbital angular momentum modes in turbulences with the convolutional neural network | |
Huang et al. | All-optical signal processing of vortex beams with diffractive deep neural networks | |
CN112465137A (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 | |
CN102473286B (zh) | 超分辨率信号重构的方法和系统 | |
CN112179506B (zh) | 一种混合阶或分数阶涡旋光束模态识别装置及方法 | |
Wang et al. | Adaptive demodulation technique for efficiently detecting orbital angular momentum (OAM) modes based on the improved convolutional neural network | |
CN111753977B (zh) | 光学神经网络卷积层芯片、卷积计算方法和电子设备 | |
CN112508185B (zh) | 基于衍射深度神经网络的光学轨道角动量模式光学系统 | |
Wang et al. | Convolutional neural network-assisted optical orbital angular momentum recognition and communication | |
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 | |
CN111582468B (zh) | 光电混合智能数据生成计算系统及方法 | |
Badavath et al. | Speckle-based structured light shift-keying for non-line-of-sight optical communication | |
Kee et al. | Assisting target recognition through strong turbulence with the help of neural networks | |
Yu et al. | Transfer learning approach for classification of orbital angular momentum modes | |
Liu et al. | Target recognition of ladar range images using even-order Zernike moments | |
CN112700000A (zh) | 一种光电混合深度卷积神经网络方法 | |
CN108599840B (zh) | 一种基于功率谱检测的lg光两维复用通信的实现方法 | |
CN114859624A (zh) | 一种基于双流特征融合网络的纠缠光量子图像目标识别方法 | |
Lv et al. | Identification of diffracted vortex beams at different propagation distances using deep learning | |
CN114690508A (zh) | 一种基于高斯滤波优化的量子成像方法 | |
CN116795171A (zh) | 数据处理方法及系统 |
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 |