CN112861634A - 一种基于神经网络的多模涡旋光束解复用方法 - Google Patents

一种基于神经网络的多模涡旋光束解复用方法 Download PDF

Info

Publication number
CN112861634A
CN112861634A CN202110028012.5A CN202110028012A CN112861634A CN 112861634 A CN112861634 A CN 112861634A CN 202110028012 A CN202110028012 A CN 202110028012A CN 112861634 A CN112861634 A CN 112861634A
Authority
CN
China
Prior art keywords
amplitude
model
neural network
training
data
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
CN202110028012.5A
Other languages
English (en)
Other versions
CN112861634B (zh
Inventor
袁旭东
许亚光
赵瑞智
陈涌创
秦亦强
张超
朱永元
冯霞
邹谨成
洪煦昊
马艺冰
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.)
Nanjing University
Original Assignee
Nanjing 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 Nanjing University filed Critical Nanjing University
Priority to CN202110028012.5A priority Critical patent/CN112861634B/zh
Publication of CN112861634A publication Critical patent/CN112861634A/zh
Application granted granted Critical
Publication of CN112861634B publication Critical patent/CN112861634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

本发明公开一种基于神经网络的多模涡旋光束解复用方法，包括以下步骤：依照多模涡旋光束的表达式进行数据仿真，构建数据集；设计深度卷积神经网络，对输入图像进行卷积操作提取高阶特征并用下采样处理压缩数据量，得到低维向量，对局部特征进行增强和提取；将其代入卷积神经子网络结构进行高阶特征表征，进一步提取其中所保留的振幅与强度分布的联系，得到与振幅相关的高维向量；将高维向量按顺序一维展开，通过全连接层将学习到的特征映射到数据标签空间上，最终得到振幅占比向量；根据训练效果对模型的可调参数进行修改，使模型表现最优。这种解复用方法可以在较复杂的多模式耦合情况上表现更好，可以凭借输入图像解析出每个模式的振幅，改进光通讯的效果。

Description

一种基于神经网络的多模涡旋光束解复用方法
技术领域
本发明涉及光通讯领域、涡旋光通信领域，尤其涉及一种基于神经网络的多模涡旋光束解复用方法。
背景技术
目前的光通讯技术中，密集波分复用方法通过将载有信息但是波长不同的多个光信号合成一束传输，扩大了光通信容量，是主要的应用手段。但是由于其传输容量逐渐逼近信道的香农极限，日益紧迫的带宽需求催生了新的扩展信道技术研究。
自从携带轨道角动量的涡旋光束(OAM光)被发现以来，关于涡旋光束的研究得到了迅速的发展。涡旋光束的典型特征是具有沿着角向线性变化的螺旋相位eilθ，其中θ是方位角，l是光束的轨道量子数，用来表征涡旋光束的本征态。由于不同l量子数的涡旋光束本征态相互正交，可以各自携带不同的信息而互不影响，因此为光通讯领域的信道扩展技术提供了一个新的可利用维度，使得通过模分复用来增加光通信能力的方法成为可能。
涡旋光束的解复用在物理实现上一般用反相位板法和达曼光栅法。反相位板法只能对单一涡旋光束模式进行测量，不满足于光通讯中多种模式耦合时需要解复用的情况；达曼光栅法虽然适用于复用情况，但是能量效率很低。此外，一种基于从直角坐标到极坐标的几何变换方法也被提了出来，适用于复用情况且能量利用率达到100％，但是相邻模式间会存在串扰的情况，降低了识别的准确度。针对这些情况，鉴于深度学习在图像识别上强大的能力，研究者们引入深度学习算法来作为涡旋光束的解码器/解复用方法。研究显示，深度学习在涡旋光束的单一模式测量识别上有很高的精度，同时对在自由空间中传播时遇到的大气湍流有很好的抗干扰作用。但是对于更一般化的多模式复用方法的研究则较少涉及到，直接用单一模式情况中的深度学习算法进行测量时会面临精度下降的问题，因此需要对多模式复用的方向做进一步研究。
发明内容
本发明的目的是针对现有深度学习解复用方法中存在的不足，提供了一种基于卷积神经网络的多模涡旋光束解复用方法，该方法在多模式解复用中有非常高的精度。
本发明提供一种基于卷积神经网络的多模涡旋光束解复用方法，包括以下步骤：
步骤1：依照多模涡旋光束的表达式进行数据仿真，构建数据集；
步骤2：根据合适的思路设计深度卷积神经网络，通过对输入图像进行深度学习算法的运算，得到与振幅有关的结果；
步骤3：根据训练效果对模型的可调参数进行修改，在测试集上进行测试，直到模型测试的精确度达到预期水平。
进一步地，所述步骤1包括以下步骤：
步骤1.1：本方案中的多模涡旋光束采用p量子数为0的LG光束，依照其表达式进行数据仿真，具体表达式如下：
Figure BDA0002891026890000021
其中，un为p＝0的LG光束，an是LG光束的振幅，；同时
Figure BDA0002891026890000022
un的公式如下：
Figure BDA0002891026890000023
其中，l为轨道量子数，r为径向距离，
Figure BDA0002891026890000024
为方位角，z为传播距离；
Figure BDA0002891026890000025
Figure BDA0002891026890000026
Ll是拉盖尔多项式，
Figure BDA0002891026890000027
是瑞利距离。
步骤1.2：将生成的多模式复用图像与每个模式的振幅占比作为标签构建数据集，其中训练集和测试集的数据占比为7:3。
进一步的，步骤2包括对输入图像进行特征提取、特征表达以及振幅向量映射，包括以下步骤：
步骤2.1：对输入图像I0(x0，y0)进行卷积操作提取高阶特征并下采样处理压缩数据量，得到向量I[32](x[32]，y[32])，以此对局部特征进行增强和提取；
步骤2.2：将I[32]代入卷积神经子网络结构进行高阶特征表征，将I[32]中保留的振幅对强度分布的联系进一步提取，得到与振幅相关的高维向量
Figure BDA0002891026890000028
步骤2.3：将
Figure BDA0002891026890000029
按顺序进行展开得到一个一维向量，通过全连接层将学习到的特征映射到数据标签结果上，得到振幅占比向量
Figure BDA0002891026890000031
进一步的，与步骤2中确定大概思路与框架不同，所述步骤3是确定具体模型的重要步骤，通过不断的训练和测试，优化模型的具体参数，使结果最优。其包括以下步骤：
步骤3.1：设置模型初始参数：训练轮次epoch＝30，训练批次大小batch_size＝32，学习率learning_rate＝0.0001，优化函数为Adam，输出的激活函数为Sigmoid。损失函数基于均方差公式表示为：
Figure BDA0002891026890000032
其中，yAo为振幅预测值，yAt为振幅真实值。
步骤3.2：根据模型的训练效果修改相应的参数，使得训练精度最佳；
步骤3.3：将训练好的模型保存，将测试集的数据带入模型运行，查看测试精度是否在训练精度附近，如果明显低于训练精度，则模型过拟合，重新训练重复上述步骤，直至测试精度最佳。
与现有方案相比，本发明方案的有益效果是：与已有的基于深度学习的解复用方法相比，本发明方案在较复杂的多模式耦合的情况上表现更好。经验证，对9个模式耦合的情况进行解复用时，振幅的识别精度在99.8％以上，满足于实际使用的方式。即使在有噪声的情况下，模型依然可以取得很好的解复用效果，具有较好的鲁棒性。
附图说明
图1是本发明中的深度卷积神经网络的示意图。
图2是本发明中生成数据的示意图。
图3是本发明具体实施例中模型测试误差随模式数的关系图，其中误差率表达式为：
Figure BDA0002891026890000033
yAo为振幅预测值，yAt为振幅真实值。
具体实施方式
下面结合说明书附图和具体实施例，对本发明的技术方案做进一步详细说明。
参照附图1，本发明提供一种基于卷积神经网络的多模涡旋光束解复用方法，包括以下步骤：
步骤1：本方案中的多模涡旋光束采用p量子数为0的LG光束，依照其表达式进行数据仿真，将生成的多模式复用图像与每个模式的振幅占比作为标签构建数据集，具体公式如下：
Figure BDA0002891026890000041
其中，un为p＝0的LG光束，an是LG光束的振幅，；同时
Figure BDA0002891026890000042
un的公式如下：
Figure BDA0002891026890000043
其中，l为轨道量子数，r为径向距离，
Figure BDA0002891026890000044
为方位角，z为传播距离；
Figure BDA0002891026890000045
Figure BDA0002891026890000046
Ll是拉盖尔多项式，
Figure BDA0002891026890000047
是瑞利距离。
数据集中训练集和测试集的数据占比为7:3；生成的图像如附图2所示；
步骤2：搭建深度卷积神经网络，主要的设计思想是：
1)通过卷积层对输入图像进行特征提取和表征，不断拓展维度，使得图像中隐藏的特征可以充分被模型学习到；通过最大池化层对数据进行持续的下采样处理，将有效信息保留到高级特征中的同时进一步压缩数据量；
2)为了保证最后的精度，需要在模型中加入归一化操作，从而抵消模型层数较深对于精度的影响；
具体步骤为：
步骤2.1：对输入图像I0(x0，y0)进行卷积操作，卷积核大小为3×3，映射到32维空间，激活函数使用Relu函数进行非线性调制；卷积操作后通过批归一化层(BN层)进行归一化操作；之后使用最大化池化层对数据进行下采样，得到向量I[32](x[32]，y[32])。上角标32表示该向量有32维，单维的向量大小为31×31。
步骤2.2：I[32]代入卷积神经子网络进行计算，得到与振幅有关的向量
Figure BDA0002891026890000048
上角标256表示两个向量有256维，单维的向量大小为2×2。其中，子网络分成3个网络块，每个网络块包括一个卷积层、批归一化层和最大池化层；卷积核的大小设为3×3，激活函数为Relu；卷积层的维度数分别设置为64，128，256；
步骤2.3：将
Figure BDA0002891026890000051
进行一维展开，得到一维向量
Figure BDA0002891026890000052
分别通过3个全连接层进行计算后，得到得到振幅占比向量
Figure BDA0002891026890000053
全连接层的参数输出尺寸分别为512，64和n，其中n表示复用的涡旋光束模式数；全连接层的激活函数分别为Relu，Relu和Sigmoid；
步骤3：根据训练效果对模型的可调参数进行修改，在测试集上进行测试。具体为：
步骤3.1：设置模型初始参数：训练轮次epoch＝30，训练批次大小batch_size＝32，学习率learning_rate＝0.0001，优化函数为Adam，输出的激活函数为Sigmoid。损失函数基于均方差公式表示为：
Figure BDA0002891026890000054
其中，yAo为振幅预测值，yAt为振幅真实值。
步骤3.2：根据模型的训练效果修改相应的参数，使得训练精度最佳；
步骤3.3：将训练好的模型保存，将测试集的数据带入模型运行，查看测试精度是否在训练精度附近，如果明显低于训练精度，则模型过拟合，重新训练重复上述步骤，直至测试精度最佳。
下面结合具体的实施例对本发明做进一步的说明。
参看附图3，本实施例提供了一种基于深度学习的3-9模式耦合涡旋光束的解复用办法，具体步骤如下：
1)基于上述步骤1中所列的表达式，生成包含有10000个图像数据的数据集，其中根据不同的复用模式数，l采用不同的集合，比如在9模式耦合的涡旋光束中，l∈{1，2，3，4，5，6，7，8，9}，单个模式LG光束的振幅和相位采用随机方法生成，然后将数据集划分成包含7000个数据的训练集和包含3000个数据的测试集；
2)设计深度卷积神经网络，设置相应参数并进行训练和测试，使得模型的精度达到预期水平；结果显示，随着模式耦合数的增加，模型预测的振幅精度的误差值也在提升，但是在模式数最大的9个模式以内的误差表现都在0.2％以下。即便是最复杂的9模式耦合的情况，模型对于涡旋光束的解复用测试效果为：振幅的识别精度在99.8％以上，满足于实际使用的方式。
最后所应说明的是，以上具体实施方式和具体实施例仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于卷积神经网络的多模涡旋光束解复用方法，其特征在于，包括以下步骤：
步骤1：依照多模涡旋光束的表达式进行数据仿真，构建数据集；
步骤2：根据合适的思路设计深度卷积神经网络，通过对输入图像进行深度学习算法的运算，得到与振幅有关的结果；
步骤3：根据训练效果对模型的可调参数进行修改，在测试集上进行测试，直到模型测试的精确度达到预期水平。
2.根据权利要求1所述的基于卷积神经网络的多模涡旋光束解复用方法，其特征在于，所述步骤1包括以下步骤：
步骤1.1：本方案中的多模涡旋光束采用p量子数为0的LG光束，依照其数学公式进行数据仿真，具体公式如下：
Figure FDA0002891026880000011
其中，un为p＝0的LG光束，an是LG光束的振幅；同时
Figure FDA0002891026880000012
un的表达式如下：
Figure FDA0002891026880000013
Figure FDA0002891026880000014
其中，l为轨道量子数，r为径向距离，
Figure FDA0002891026880000015
为方位角，z为传播距离；
Figure FDA0002891026880000016
Figure FDA0002891026880000017
Ll是拉盖尔多项式，
Figure FDA0002891026880000018
是瑞利距离；
步骤1.2：将生成的多模式复用图像与每个模式的振幅占比作为标签构建数据集，其中训练集和测试集的数据占比为7∶3。
3.根据权利要求1所述的基于卷积神经网络的多模涡旋光束解复用方法，其特征在于，步骤2包括对输入图像进行特征提取、特征表达以及振幅向量映射，具体为：
步骤2.1：对输入图像I0(x0，y0)进行卷积操作，卷积核大小为3×3，映射到32维空间，激活函数使用Relu函数进行非线性调制；卷积操作后通过批归一化层(BN层)进行归一化操作；之后使用最大化池化层对数据进行下采样，得到向量I[32](x[32]，y[32])；上角标32表示该向量有32维，单维的向量大小为31×31；
步骤2.2：I[32]代入卷积神经子网络进行计算，得到与振幅有关的向量
Figure FDA0002891026880000021
上角标256表示两个向量有256维，单维的向量大小为2×2；其中，子网络分成3个网络块，每个网络块包括一个卷积层、批归一化层和最大池化层；卷积核的大小设为3×3，激活函数为Relu；卷积层的维度数分别设置为64，128，256；
步骤2.3：将
Figure FDA0002891026880000022
进行一维展开，得到一维向量
Figure FDA0002891026880000023
分别通过3个全连接层进行计算后，得到得到振幅占比向量
Figure FDA0002891026880000024
全连接层的参数输出尺寸分别为512，64和n，其中n表示复用的涡旋光束模式数；全连接层的激活函数分别为Relu，Relu和Sigmoid。
4.根据权利要求1所述的基于卷积神经网络的多模涡旋光束解复用方法，其特征在于，所述步骤3中具体实现方式为：
步骤3.1：设置模型初始参数：训练轮次epoch＝30，训练批次大小batch_size＝32，学习率learning_rate＝0.0001，优化函数为Adam，输出的激活函数为Sigmoid；损失函数基于均方差公式表示为：
Figure FDA0002891026880000025
其中，yAo为振幅预测值，yAt为振幅真实值；
步骤3.2：根据模型的训练效果修改相应的参数，使得训练精度最佳；
步骤3.3：将训练好的模型保存，将测试集的数据带入模型运行，查看测试精度是否在训练精度附近，如果明显低于训练精度，则模型过拟合，重新训练重复上述步骤，直至测试精度最佳。
CN202110028012.5A 2021-01-11 2021-01-11 一种基于神经网络的多模涡旋光束解复用方法 Active CN112861634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110028012.5A CN112861634B (zh) 2021-01-11 2021-01-11 一种基于神经网络的多模涡旋光束解复用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110028012.5A CN112861634B (zh) 2021-01-11 2021-01-11 一种基于神经网络的多模涡旋光束解复用方法

Publications (2)

Publication Number Publication Date
CN112861634A true CN112861634A (zh) 2021-05-28
CN112861634B CN112861634B (zh) 2024-04-09

Family

ID=76002087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110028012.5A Active CN112861634B (zh) 2021-01-11 2021-01-11 一种基于神经网络的多模涡旋光束解复用方法

Country Status (1)

Country Link
CN (1) CN112861634B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109272107A (zh) * 2018-08-10 2019-01-25 广东工业大学 一种改进深层卷积神经网络的参数个数的方法
US20200119830A1 (en) * 2018-10-16 2020-04-16 Nec Laboratories America, Inc Machine learning based classification of higher-order spatial modes
CN111222538A (zh) * 2019-11-22 2020-06-02 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
CN111220958A (zh) * 2019-12-10 2020-06-02 西安宁远电子电工技术有限公司 基于一维卷积神经网络的雷达目标多普勒像分类识别方法
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
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109272107A (zh) * 2018-08-10 2019-01-25 广东工业大学 一种改进深层卷积神经网络的参数个数的方法
US20200119830A1 (en) * 2018-10-16 2020-04-16 Nec Laboratories America, Inc Machine learning based classification of higher-order spatial modes
CN111222538A (zh) * 2019-11-22 2020-06-02 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
CN111220958A (zh) * 2019-12-10 2020-06-02 西安宁远电子电工技术有限公司 基于一维卷积神经网络的雷达目标多普勒像分类识别方法
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
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PEIPEI WANG, ETAL.: "Convolutional Neural Network-Assisted Optical Orbital Angular Momentum Recognition and Communication", 《IEEE ACCESS》, vol. 7, pages 1, XP011755348, DOI: 10.1109/ACCESS.2019.2951579 *
杨春勇，闪开鸽: "基于卷积神经网络的涡旋光相干解复用", 《中南民族大学学报》, vol. 39, no. 4, pages 1 - 2 *
杨春勇;闪开鸽;: "基于卷积神经网络的涡旋光相干解复用", 中南民族大学学报(自然科学版), no. 04 *

Also Published As

Publication number Publication date
CN112861634B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Wang et al. Efficient recognition of the propagated orbital angular momentum modes in turbulences with the convolutional neural network
Wang et al. Adaptive demodulation technique for efficiently detecting orbital angular momentum (OAM) modes based on the improved convolutional neural network
CN110889111A (zh) 一种基于深度置信网络的电网虚拟数据注入攻击的检测方法
CN106204503A (zh) 基于改进置信度更新函数及匹配准则的图像修复算法
CN108763153A (zh) 一种地下各向同性介质球电磁散射的计算方法
CN111222538A (zh) 一种涡旋光束模态识别方法、智能终端及存储介质
CN115131560A (zh) 基于全局特征学习和局部特征判别聚合的点云分割方法
CN114627369B (zh) 环境监测系统、方法及其计算机装置
CN112560342A (zh) 一种基于dnn的大气波导参数估计方法
US20230386098A1 (en) Three-dimensional spectrum situation completion method and device based on generative adversarial network
CN110428473B (zh) 一种基于辅助变量的对抗生成网络的彩色图像灰度化方法
Zhao et al. High-accuracy mode recognition method in orbital angular momentum optical communication system
CN112862077B (zh) 多模光纤结合深度学习网络替代传统光谱仪的系统及方法
Ma et al. LPI radar waveform recognition based on neural architecture search
CN112861634A (zh) 一种基于神经网络的多模涡旋光束解复用方法
CN112179506B (zh) 一种混合阶或分数阶涡旋光束模态识别装置及方法
CN116977747A (zh) 基于多路多尺度特征孪生网络的小样本高光谱分类方法
Xue et al. A novel intelligent antenna synthesis system using hybrid machine learning algorithms
CN116248392A (zh) 一种基于多头注意力机制的网络恶意流量检测系统及方法
CN115169235A (zh) 一种基于改进生成对抗网络的超表面单元结构逆设计方法
CN114415018A (zh) 用于电机故障预警的自学习式光栅干涉频谱分析技术
CN115952493A (zh) 一种黑盒模型的逆向攻击方法、攻击装置以及存储介质
Wu et al. Enhanced path loss model by image-based environmental characterization
Zhang et al. Multilevel fast multipole algorithm enhanced characteristic mode analysis for half-space platform
CN114519403A (zh) 基于片上衍射神经网络的光学图神经分类网络、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
GR01 Patent grant