CN113340418A - 基于卷积神经网络的光束轨道角动量谱测量方法与系统 - Google Patents
基于卷积神经网络的光束轨道角动量谱测量方法与系统 Download PDFInfo
- Publication number
- CN113340418A CN113340418A CN202110608514.5A CN202110608514A CN113340418A CN 113340418 A CN113340418 A CN 113340418A CN 202110608514 A CN202110608514 A CN 202110608514A CN 113340418 A CN113340418 A CN 113340418A
- Authority
- CN
- China
- Prior art keywords
- light beam
- angular momentum
- convolution
- measured
- neural network
- 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
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 61
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 239000004973 liquid crystal related substance Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000010287 polarization Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004611 spectroscopical analysis Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012576 optical tweezer Methods 0.000 description 1
- AHLBNYSZXLDEJQ-FWEHEUNISA-N orlistat Chemical compound CCCCCCCCCCC[C@H](OC(=O)[C@H](CC(C)C)NC=O)C[C@@H]1OC(=O)[C@H]1CCCCCC AHLBNYSZXLDEJQ-FWEHEUNISA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 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
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J1/4257—Photometry, e.g. photographic exposure meter using electric radiation detectors applied to monitoring the characteristics of a beam, e.g. laser beam, headlamp beam
-
- 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
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2803—Investigating the spectrum using photoelectric array detector
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2803—Investigating the spectrum using photoelectric array detector
- G01J2003/2813—2D-array
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Optics & Photonics (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于深度学习的测量光束轨道角动量谱方法与系统。将待测光束沿系统光轴方向入射,经过特殊设计的纯相位轨道角动量谱测量光栅衍射后,采用面阵探测器接收远场衍射光场分布,然后输入进本发明搭建并训练好的卷积神经网络即可直接得到待测光束的轨道角动量谱。本发明方法系统结构简单,易于操作,只需要接收远场衍射光斑即可,其余工作可交给主机完成。与现有的轨道角动量谱测量技术相比,本发明操作简单,测量精度高,具有较大的进步。
Description
技术领域
本发明涉及光电技术领域,尤其涉及一种基于卷积神经网络的光束轨道角动量谱测量方法与系统。
背景技术
与宏观物体类似,光子也具有角动量,用来描述光子旋转运动的状态。光子的角动量也分为自旋角动量(spin angular momentum,SAM)与轨道角动量(orbital angularmomentum,OAM),其中SAM对应于宏观的圆偏振态,有±1两个本征值;而OAM描述了光波前的性质,其本征值可以取任意整数。携带OAM的光束具有螺旋形波前,光束中心存在一个相位奇点。先前的研究已经表明,如果光束的复振幅表达式中包含有螺旋相位项其中l为角量子数,是OAM的本征值,也称为OAM态,为角向坐标,则其携带OAM,这种光束通常被称为涡旋光束。常见的涡旋光束包括拉盖尔-高斯光束、贝塞尔高斯光束、艾利光束等。涡旋光束在诸多领域都展现出广阔的应用前景,例如,涡旋光束携带的OAM可用于对微粒的无接触捕获和操控,形成光镊;涡旋光束的旋转多普勒效应使得其进而用来测量旋转体的角向运动状态;在光通信领域,涡旋光束携带的OAM可以作为一种新的编码特征实现高维数字信号编码,提升了光子效率并进一步扩展了光通信系统的信道容量。
OAM谱定义为光束在其所携带的不同OAM上的能量比率,可以反映光束的OAM的一些性质,是评价涡旋光束的重要参数之一。对于多模混合涡旋光束,OAM成分相同但其所占比重不同时,其强度分布、波前分布等性质是完全不同的。涡旋光束的OAM谱对上述所有涡旋光束的应用均有重要的影响,因此,测量多模混合涡旋光束时,除了确定其所包含的OAM态或OAM成分,还应明确各个成分间的能量比率,即OAM谱。现有的OAM谱测量方法包括干涉测量法、衍射测量法和偏振测量法等,但是均存在测量范围较小、测量精度较低、测量装置复杂等缺点。
发明内容
有鉴于此,本发明公开了一种基于卷积神经网络的光束OAM谱测量方法与系统。
本发明的一种基于卷积神经网络的光束OAM谱测量方法,其原理在于,采用一经特殊设计的纯相位OAM谱测量光栅将待测涡旋光束衍射,远场衍射的光场分布与待测涡旋光束的OAM谱相关,此时采用面阵探测器测量远场衍射光场分布,经数据预处理之后,送入本发明所设计并搭建的卷积神经网络进行分析,卷积神经网络通过前向传输计算后,得到并输出待测涡旋光束OAM谱。
本发明的一种基于卷积神经网络的测量OAM谱方法,所涉及的卷积神经网络由输入层、7个卷积单元、全局平均池化层、2个全连接单元以及输出层组成:
所述输入层为b×128×128×1的单通道灰度图像,其中b为批训练数量;
所述卷积单元由具有一定数量卷积核的卷积层、激活函数“Leaky_relu”、最大池化层、Dropout组成,其中,第一个卷积单元具有32个卷积核,第二、三个卷积单元具有64个卷积核,第四、五个卷积单元具有128个卷积核,第六、七个卷积单元具有256个卷积核;
所述全连接单元由具有一定数量节点的全连接层、激活函数“Leaky_relu”、Dropout组成,其中第一个全连接单元具有512个节点,第二个全连接单元具有256个节点;
所述输出层为b×21的张量,即OAM态取值范围为l∈{-10,-9,-8,-7,-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6,7,8,9,10}的待测涡旋光束的OAM谱。
本发明的一种基于卷积神经网络的测量OAM谱系统,由偏振转化器、液晶空间光调制器、薄凸透镜、面阵探测器、数据传输部、主机组成:
所述偏振转化器用于将入射待测涡旋光束转化为水平线偏振光,其原因在于后方的液晶空间光调制器仅可对水平线偏光实现纯相位调制;
所述液晶空间光调制器置于偏振转化器后方的激光光路中,用于加载纯相位OAM谱测量光栅,将待测涡旋光束衍射;
所述薄凸透镜置于液晶空间光调制器后方的激光光路中,且其距离液晶空间光调制器的距离为焦距f,用于对光场做傅里叶变换以获得远场衍射;
所述面阵探测器置于透镜后方的激光光路中,且其距离薄凸透镜的距离为薄凸透镜的焦距f,用于测量并输出待测涡旋光束的远场衍射光场分布;
所述数据传输部与面阵探测器相机连接,用于传输远场衍射的光场分布;
所述主机,用于搭建并训练本发明的可测量光束OAM谱的卷积神经网络,其接收来自于数据传输部的远场衍射光场分布,并进行前向传输计算,最终得到并输出待测涡旋光束的OAM谱。
本发明具有以下有益效果:
本发明的一种基于卷积神经网络的测量OAM谱方法,操作方便,响应时间极短,可以准确计算待测涡旋光束的OAM谱;
本发明的一种基于卷积神经网络的测量OAM谱系统,结构简单,易于构建,算法网络无需重复调节,可适应多种不同应用场景。
附图说明
图1为一种经过特殊设计的纯相位OAM谱测量光栅相位分布示意图;
图2为本发明的一种基于卷积神经网络的测量OAM谱方法的卷积神经网络结构图,其中,Input表示输入层,Conv表示卷积层,Leaky_relu表示激活函数,Maxpool表示最大池化层,Regularization表示正则化,Global表示全局平均池化层,Dense表示全连接层,Output表示输出层;
图3为本发明的一种基于卷积神经网络的测量OAM谱系统结构图,其中,1-偏振转化器,2-液晶空间光调制器,3-薄凸透镜,4-面阵探测器,5-数据传输部,6-主机;
图4(a)为利用本发明的一种基于卷积神经网络的光束OAM谱测量方法与系统测量单一OAM模式(l=3)的待测光束的谱时,面阵探测器捕获的远场衍射强度分布;
图4(b)为利用本发明的一种基于卷积神经网络的光束OAM谱测量方法与系统测量单一模式携带OAM光束时,采用本发明的卷积神经网络分析图4(a)的强度分布计算得出的OAM谱。
图5(a)为利用本发明的一种基于卷积神经网络的光束OAM谱测量方法与系统测量多模混合OAM光束,其主要OAM模式强度比例为{0.040:0.189:0.264:0.499},对应的OAM态分别为-3、-2、0、+3,面阵探测器捕获的远场衍射强度分布;
图5(b)为利用本发明的一种基于卷积神经网络的光束OAM谱测量方法与系统测量多模混合OAM光束,其主要OAM模式强度也比例为{0.040:0.189:0.264:0.499},对应的OAM态分别为-3、-2、0、+3,采用本发明的卷积神经网络分析图5(a)的强度分布计算得出的OAM谱。
具体实施方式
下面结合附图并实施例,对本发明做一详细描述。
一种经过特殊设计的纯相位OAM谱测量光栅,其相位分布如图1所示。其相位分布函数为:
其中,a和b是光栅的两个基本参数,表征光栅周期的变化梯度;x和y为光栅平面笛卡尔坐标。当待测光束经过该特殊设计的纯相位OAM谱测量光栅后,远场衍射光场将出现类似于厄米高斯光束的强度分布,且该强度分布与待测涡旋光束的OAM谱构成一一映射;此外,该光栅的衍射场仅具有唯一衍射级,以方便在后续的搭建的卷积神经网络的图像处理分析。
本发明的一种基于卷积神经网络的测量OAM谱方法,网络的输入为面阵探测器所接收的强度分布为待测光束经过所设计的光栅的远场衍射图案,将接收的强度分布进行数据预处理后送入卷积神经网络。本发明所搭建的卷积神经网络结构如图2所示,整个网络由输入层、7个卷积单元、全局平均池化层、2个全连接单元以及输出层组成;输入层(Input)为b×128×128×1的单通道灰度图像,其中b为批训练数量;卷积单元由具有一定数量卷积核的卷积层(Conv)、激活函数(Leaky_relu)、最大池化层(Maxpool)、Dropout组成,其中,第一个卷积单元具有32个卷积核,第二、三个卷积单元具有64个卷积核,第四、五个卷积单元具有128个卷积核,第六、七个卷积单元具有256个卷积核;全局平均池化层(Global)用于连接卷积单元与全连接单元;全连接单元由具有一定数量节点的全连接层(Dense)、激活函数(Leaky_relu)、Dropout组成,其中第一个全连接单元具有512个节点,第二个全连接单元具有256个节点;输出层(Output)为b×21的张量,即OAM态取值范围为l∈{-10,-9,-8,-7,-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6,7,8,9,10}的待测涡旋光束的OAM谱。
本发明基于标量衍射理论,搭建实验光路,针对不同OAM谱分布的待测光束,采集总计27122对样本,其中训练集21122对,验证集3000对,测试集3000对;利用数据集对象与TFRecord文件构建数据输入管道(Input Pipeline),包括多线程文件交织、队列、预处理、预存、预取等操作,其中预处理采用图片标准化操作,即将图片归一化为均值0,方差1的分布。对于超参数选择,采用亚当优化器(Adam Optimizer)对训练过程中的梯度以及动量进行优化,学习率为1周期调度,批训练数量采用随机网格搜索算法进行筛选,对整个训练集进行1000轮次迭代。在迭代训练过程中,采用包括提前终止、模型检查点、张量板等回调函数,其中提前终止用于实时监控模型训练状态并在模型有恶化趋势之前提前终止训练,以防止过拟合;模型检查点用于检查模型的损失函数下降情况,并保存训练情况最优时的所有模型权重参数;张量板用于检查数据输入管道性能以及模型每一层的输出情况。本发明以均方误差(Mean Square Error,MSE)作为评价函数,MSE能够突出误差较大的数据点,是一种良好的OAM谱测量效果的评价方式。经过训练后,本发明的卷积神经网络输出的OAM谱测量结果中,测得的训练集、验证集、测试集的MSE分别为5×10-6、1×10-5与2×10-5,表明本发明的基于卷积神经网络的光束OAM谱测量方法的测量准确性较高,可满足多种实际应用的需求。
本发明的一种基于卷积神经网络的测量OAM谱系统,其结构如图3所示,由偏振转化器、液晶空间光调制器、薄凸透镜、面阵探测器、数据传输部、主机组成,其中:所述偏振转化器用于将入射待测涡旋光束转化为水平线偏振光,其原因在于后方的液晶空间光调制器仅可对水平线偏光实现纯相位调制;所述液晶空间光调制器置于偏振转化器后方的激光光路中,用于加载纯相位OAM谱测量光栅,将待测涡旋光束衍射;所述薄凸透镜置于液晶空间光调制器后方的激光光路中,且其距离液晶空间光调制器的距离为焦距f,用于对光场做傅里叶变换以获得远场衍射;所述面阵探测器置于透镜后方的激光光路中,且其距离薄凸透镜的距离为薄凸透镜的焦距f,用于测量并输出待测涡旋光束的远场衍射光场分布;所述数据传输部与面阵探测器连接,用于传输远场衍射的光场分布;所述主机,用于搭建并训练本发明的可测量光束OAM谱的卷积神经网络,其接收来自于数据传输部的远场衍射光场分布,并进行前向传输计算,最终得到并输出待测涡旋光束的OAM谱。
下面结合两个实施例,简要介绍本发明的一种基于卷积神经网络的测量OAM谱方法与系统的实际性能。
实施例1:测量单模携带OAM光束的OAM谱
本实施例中,基于本发明的一种基于卷积神经网络的测量OAM谱方法与系统,对OAM态为+3的单模OAM光束进行测量,图4(a)为面阵探测器测得的待测涡旋光束经过所设计光栅的远场衍射强度分布图,采用本发明搭建的训练好的卷积神经网络对图像进行计算,所得结果如图4(b)所示,预测所得模式比例为0.99,对应OAM态为+3,理论值与实验测量值的均方误差MSE为5.89×10-7。
实施例2:测量多模携带OAM光束的OAM谱
本实施例中,随机生成了一束多OAM模式混合光束,其主要OAM模式强度比例为{0.040:0.189:0.264:0.499},对应的OAM态分别为-3、-2、0、+3,由于存在极少量的其他OAM模式,因此上述四种OAM模式的比例之和小于1。然后基于本发明的一种基于卷积神经网络的测量OAM谱方法与系统测量其OAM谱。图5(a)为面阵探测器测得的待测涡旋光束经过所设计光栅的远场衍射强度分布图,采用本发明搭建的训练好的卷积神经网络对图像进行计算,所得结果如图5(b)所示,预测所得模式比例为{0.037:0.187:0.267:0.499},对应OAM态分别为-3、-2、0、+3。理论值与实验测量值的均方误差MSE为9.64×10-7。
综上所述,以上仅为本发明的较佳实例而已,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,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于卷积神经网络的光束轨道角动量谱测量方法,其特征在于,采用本发明的纯相位轨道角动量谱测量光栅将待测涡旋光束衍射,远场衍射的光场分布与待测涡旋光束的轨道角动量谱相关,此时采用面阵探测器测量远场衍射光场分布,经数据预处理之后,送入本发明所设计并搭建的卷积神经网络进行分析,卷积神经网络通过前向传输计算后直接得到待测光束的轨道角动量谱:
(1)纯相位轨道角动量谱测量光栅具有如下特征:
其相位分布函数为:
其中,a和b是光栅的两个基本参数,表征光栅周期的变化梯度;x和y为光栅平面笛卡尔坐标,当待测光束经过该特殊设计的纯相位轨道角动量谱测量光栅后,远场衍射光场仅具有唯一衍射级,并将出现类似于厄米高斯光束的强度分布,且该强度分布与待测涡旋光束的轨道角动量谱构成一一映射;
(2)所搭建的卷积神经网络具有如下特征:
整个网络由输入层、7个卷积单元、全局平均池化层、2个全连接单元以及输出层组成;
输入层为b×128×128×1的单通道灰度图像,其中b为批训练数量;
卷积单元由具有一定数量卷积核的卷积层、激活函数“Leaky_relu”、最大池化层、Dropout组成,其中,第一个卷积单元具有32个卷积核,第二、三个卷积单元具有64个卷积核,第四、五个卷积单元具有128个卷积核,第六、七个卷积单元具有256个卷积核;
全连接单元由具有一定数量节点的全连接层、激活函数“Leaky_relu”、Dropout组成,其中第一个全连接单元具有512个节点,第二个全连接单元具有256个节点;
输出层为b×21的张量,即轨道角动量态取值范围为l∈{-10,-9,-8,-7,-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6,7,8,9,10}的待测涡旋光束的轨道角动量谱。
2.一种基于卷积神经网络的光束轨道角动量谱测量系统,其特征在于,由偏振转化器、液晶空间光调制器、薄凸透镜、面阵探测器、数据传输部、主机组成:
所述偏振转化器用于将入射待测涡旋光束转化为水平线偏振光,其原因在于后方的液晶空间光调制器仅可对水平线偏光实现纯相位调制;
所述液晶空间光调制器置于偏振转化器后方的激光光路中,用于加载纯相位轨道角动量谱测量光栅,将待测涡旋光束衍射;
所述薄凸透镜置于液晶空间光调制器后方的激光光路中,且其距离液晶空间光调制器的距离为焦距f,用于对光场做傅里叶变换以获得远场衍射;
所述面阵探测器置于透镜后方的激光光路中,且其距离薄凸透镜的距离为薄凸透镜的焦距f,用于测量并输出待测涡旋光束的远场衍射光场分布;
所述数据传输部与面阵探测器相机连接,用于传输远场衍射的光场分布;
所述主机,用于搭建并训练本发明的可测量光束轨道角动量谱的卷积神经网络,其接收来自于数据传输部的远场衍射光场分布,并进行前向传输计算,最终得到并输出待测涡旋光束的轨道角动量谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608514.5A CN113340418B (zh) | 2021-06-01 | 2021-06-01 | 基于卷积神经网络的光束轨道角动量谱测量方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110608514.5A CN113340418B (zh) | 2021-06-01 | 2021-06-01 | 基于卷积神经网络的光束轨道角动量谱测量方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113340418A true CN113340418A (zh) | 2021-09-03 |
CN113340418B CN113340418B (zh) | 2022-06-28 |
Family
ID=77474049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110608514.5A Active CN113340418B (zh) | 2021-06-01 | 2021-06-01 | 基于卷积神经网络的光束轨道角动量谱测量方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113340418B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113804293A (zh) * | 2021-09-15 | 2021-12-17 | 安徽师范大学 | 基于悬链线光栅超表面的片上轨道角动量检测结构及方法 |
CN114337834A (zh) * | 2021-12-31 | 2022-04-12 | 杭州电子科技大学 | 一种基于卷积神经网络的涡旋光束阵列多维编解码方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150292941A1 (en) * | 2012-10-24 | 2015-10-15 | Csir | Modal decomposition of a laser beam |
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 |
CN109274431A (zh) * | 2018-12-07 | 2019-01-25 | 北京理工大学 | 基于轨道角动量编码的一对多广播光通信方法与系统 |
CN110186559A (zh) * | 2019-04-19 | 2019-08-30 | 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 |
CN112508185A (zh) * | 2020-10-26 | 2021-03-16 | 深圳技术大学 | 基于衍射深度神经网络的光学轨道角动量模式光学系统 |
-
2021
- 2021-06-01 CN CN202110608514.5A patent/CN113340418B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150292941A1 (en) * | 2012-10-24 | 2015-10-15 | Csir | Modal decomposition of a laser beam |
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 |
CN109274431A (zh) * | 2018-12-07 | 2019-01-25 | 北京理工大学 | 基于轨道角动量编码的一对多广播光通信方法与系统 |
CN110186559A (zh) * | 2019-04-19 | 2019-08-30 | 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 |
CN112508185A (zh) * | 2020-10-26 | 2021-03-16 | 深圳技术大学 | 基于衍射深度神经网络的光学轨道角动量模式光学系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113804293A (zh) * | 2021-09-15 | 2021-12-17 | 安徽师范大学 | 基于悬链线光栅超表面的片上轨道角动量检测结构及方法 |
CN113804293B (zh) * | 2021-09-15 | 2023-05-05 | 安徽师范大学 | 基于悬链线光栅超表面的片上轨道角动量检测结构及方法 |
CN114337834A (zh) * | 2021-12-31 | 2022-04-12 | 杭州电子科技大学 | 一种基于卷积神经网络的涡旋光束阵列多维编解码方法 |
CN114337834B (zh) * | 2021-12-31 | 2024-02-02 | 杭州电子科技大学 | 一种基于卷积神经网络的涡旋光束阵列多维编解码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113340418B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | Non-Gaussian information from weak lensing data via deep learning | |
CN113340418B (zh) | 基于卷积神经网络的光束轨道角动量谱测量方法与系统 | |
Wallace et al. | Phase-shifting Zernike interferometer wavefront sensor | |
CN103968945B (zh) | 基于二阶压缩感知的超灵敏光谱成像天文望远镜及方法 | |
CN105675455B (zh) | 一种在粒度分析仪中降低随机系统噪声的方法及装置 | |
CN104019898B (zh) | 一种超灵敏光谱成像天文望远镜及天文光谱成像方法 | |
CN103472456A (zh) | 一种基于稀疏孔径压缩计算关联的主动成像系统及方法 | |
CN112880986B (zh) | 基于卷积神经网络的拼接式望远镜平移误差检测方法 | |
US9297999B2 (en) | Synthetic focal plane imager | |
CN109211790A (zh) | 一种基于傅里叶功率谱探测的单像素相位成像方法 | |
Zhou et al. | Extracting photometric redshift from galaxy flux and image data using neural networks in the CSST survey | |
Pizzuti et al. | mg-mamposst: A code to test modifications of gravity with internal kinematics and lensing analyses of galaxy clusters | |
Jolissaint et al. | OPERA, an automatic PSF reconstruction software for Shack-Hartmann AO systems: application to Altair | |
CN116802465A (zh) | 偏振测量法 | |
Loiko et al. | Method for describing the angular distribution of optical radiation scattered by a monolayer of ordered spherical particles (normal illumination) | |
Xie et al. | Deep learning for estimation of Kirkpatrick–Baez mirror alignment errors | |
Bolbasova et al. | Atmospheric turbulence meter based on a Shack–Hartmann wavefront sensor | |
Mostek et al. | Mapping the universe with BigBOSS | |
Pratley et al. | Distributed and parallel sparse convex optimization for radio interferometry with PURIFY | |
Mateen et al. | Results from the laboratory demonstration of the nonlinear curvature wavefront sensor | |
CN118190149A (zh) | 一种基于超表面的光束总角动量谱智能测量方法与系统 | |
Zhou et al. | Photometric redshift estimates using Bayesian neural networks in the CSST survey | |
Maresca | Modern methods and their applications to strong gravitational lensing | |
Huber | Exploring the challenges of a far-infrared post-dispersed polarising Fourier transform spectrometer | |
Bergamini | New Insights on the Inner Mass Distribution of Massive Galaxy Clusters from a Combination of Strong Lensing and Galaxy Kinematics |
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 |