CN113566957A - 一种自由空间中分数双模式轨道角动量光束识别方法 - Google Patents
一种自由空间中分数双模式轨道角动量光束识别方法 Download PDFInfo
- Publication number
- CN113566957A CN113566957A CN202110693883.9A CN202110693883A CN113566957A CN 113566957 A CN113566957 A CN 113566957A CN 202110693883 A CN202110693883 A CN 202110693883A CN 113566957 A CN113566957 A CN 113566957A
- Authority
- CN
- China
- Prior art keywords
- angular momentum
- orbital angular
- laser
- dual
- mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000010587 phase diagram Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 10
- CPBQJMYROZQQJC-UHFFFAOYSA-N helium neon Chemical compound [He].[Ne] CPBQJMYROZQQJC-UHFFFAOYSA-N 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000010287 polarization Effects 0.000 claims description 3
- 230000002902 bimodal effect Effects 0.000 claims 1
- 125000004432 carbon atom Chemical group C* 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000010009 beating Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 125000000217 alkyl group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000012489 doughnuts Nutrition 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation 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
-
- 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
- G01J1/02—Details
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Holo Graphy (AREA)
Abstract
本发明公开了一种自由空间中分数双模式轨道角动量光束识别方法,其特点是采用双模式叠加的轨道角动量光束,让激光依次通过空间光调制器加载的全息相位图,使反射的激光携带轨道角动量信息,其识别具体包括步骤:搭建光路系统、绘制全息图、采集训练样本、搭建模型、训练模型和测试模型等步骤。本发明与现有技术相比具有弱湍流下准确率可达99.98%,在较强湍流下准确率可达93.38%,光路设计简单直观,操作方便,可迁移性强,可适用于很多类似的轨道角动量识别方案,达到很高的识别准确率、识别误差低和误码率。
Description
技术领域
本发明涉及激光学通讯技术领域,具体地说是一种基于卷积神经网络的自由空间中分数双模式轨道角动量光束识别方法。
背景技术
自由空间光学通讯中,可以将需要被传输的信息编码成角动量信息,携带角动量信息的激光携带信息在大气中传输一段距离后,被探测器捕获,探测器识别激光束携带的轨道角动量量子数,将信息进行解码,就可以达到光学通讯的作用。
现有技术携带角动量的拉盖尔高斯光束的光强具有环状分布,对于单模式的OAM光束来说,例如拉盖尔高斯光束,其横向空间的光强度分布为“甜甜圈”形状,不仅不同的OAM值大小使“甜甜圈”的光束直径发生变化,而且传播距离也会影响光束直径,所以光束直径的大小无法作为稳定OAM识别的特征,从而导致机器学习对单模式OAM的识别准确率大大下降。
发明内容
本发明的目的是针对现有技术的不足而提出的一种自由空间中分数双模式轨道角动量光束识别方法,采用双模式±l叠加的涡旋光束,让激光依次通过空间光调制器加载的全息相位图,使得反射的激光携带轨道角动量信息,在接收端使用电荷耦合器件探测光强分布,而后设计一个卷积神经网络对接受到的光强分布进行识别,分析出激光束的轨道角动量,从而识别信息,基于优化的ResNet架构卷积神经网络模型的python程序,通过前期采集大量光强分布数据样本用于训练卷积神经网络模型可以实现快速地,准确地识别受扰动的轨道角动量值,结构简单,搭建周期短,可以节约大量时间空间成本。并可应用干涉、衍射等方案构造其他类型的轨道角动量光束,也可以实现轨道角动量的高准确率识别。
本发明的目的是这样实现的:一种自由空间中分数双模式轨道角动量光束识别方法,其特点是采用双模式叠加的轨道角动量光束,让激光依次通过空间光调制器加载的全息相位图,使反射的激光携带轨道角动量信息,其识别具体包括以下步骤:
步骤一:搭建光路系统
采用计算机与光路系统连接的轨道角动量光束识别装置,该装置包括:氦氖激光器(HeNe)、光隔离器(ISO)、准直扩束和分束系统、空间光调制器(SLM),电子耦合器件(CCD)、计算机(PC连接CCD和SLM)和python程序,所述python程序包括:绘制湍流全息图、加载全息图、数据预处理、导入数据、构建卷积神经网络、训练模型和测试模型;所述准直扩束系统由物镜OL、光阑A和透镜L构成;所述分束系统由平面镜M、分束器BS和半波片λ/2构成。
所述氦氖激光器出射激光束(HeNe),经过一个光隔离器(ISO)防止激光返回激光器,经过一个望远镜(OL)、光阑(A)和透镜(L)组合进行扩束和准直,出射一个束腰半径较大的激光束,具体束腰半径无特别要求,但是要能够完整打在空间光调制器屏幕上。随后激光束进过一个平面镜(M)调整方向,一个半波片(λ/2)调整偏振使得和空间光调制器(SLM)适配。激光束通过一个激光分束器(BS)分束,将其中一束激光束打在空间光调制器(SLM)上后反射到电荷耦合器件(CCD)检测光强分布。所述的空间光调制器(SLM)和电荷耦合器件(CCD)分别连接个人计算机(PC),分别用于生成和检测轨道角动量光束。
步骤二:绘制全息图
使用python程序,绘制不同参数的轨道角动量相位全息图,所述参数的设置:混合比例n=0.01~0.99,其间隔为0.01;轨道角动量l=±2.0~±2.9,其间隔为0.1;湍流强度 10-14m-2/3、10-13m-2/3;传播距离z=500~1500m,其间隔为500m。
通过python程序绘制,得到不同湍流强度(Cn 2),不同传播距离(z)下具有不同双模式轨道角动量(±l)值和混合比例(n)值的全息相位图,并将全息相位图依次加载到空间光调制器(SLM)上,通过电荷耦合器件(CCD)依次采集光强分布图。多次改变SLM和CCD之间的距离,最终采集到不同的Cn 2值,z值,l值和n值的光强分布图。
步骤三:采集训练样本
使用python程序,将步骤二绘制的全息相位图加载到空间光调制器上,依次采集每张全息图所对应的激光光强分布图,调节空间光调制器与电子耦合器件的间距进行不同传播距离z的测量,在每个湍流强度和传播距离z下分别采集l和n不同参数的激光光强分布图,所述空间光调制器与电子耦合器件的间距调节范围为:10~30cm,其间隔为2.5cm;所述轨道角动量l的采集范围为±2.0~±2.9;所述混合比例n的采集范围为:0.01~0.99。
步骤四:搭建模型
使用python语言,基于Keras框架,搭建一个50层的残差卷积神经网络模型,其程序包括导入数据、数据预处理和测试模型单元;
步骤五:训练模型
将步骤三采集到的激光光强分布图作为训练样本,为所有的数据标上其对应的轨道角动量l值作为标签,按6:2:2划分成训练集、验证集和测试集,并将训练集和验证集数据经旋转、拉伸和扭曲的预处理后,将其和它所对应的标签按随机顺序输入残差卷积神经网络模型进行迭代训练,得到训练好的残差卷积神经网络模型,所述迭代次数≤50。
步骤六:测试模型
将步骤五划分的测试集去除标签后依次输入训练好的残差卷积神经网络模型中,得到各测试集样本的预测标签,并将预测标签和真实标签对比,计算模型的准确率。将步骤三采集到的激光光强分布图作为设计CNN的训练样本,经过多次迭代,得到训练完成的模型,该模型可以识别由前实验装置得到的任意参数的轨道角动量光强分布图。
本发明基于卷积神经网络模型具体描述如下:
使用python语言,采用Keras框架,基于50层残差卷积神经网络模型(ResNet)进行修正,来符合轨道角动量的识别模式。该模型首先对输入图片进行卷积操作,然后进行池化进行维度和参数的调节。后续的模型基于自身映射模块(identity blocks)和卷积操作模块(convolution blocks),其中自身映射不经过卷积网络降维,直接将输入加到卷积操作模块的输出上,卷积操作模块中,输入依次进行一个1×1,一个3×3,和一个1×1的卷积层对特征进行提取,并通过全局池化层和全连接层进行分类,其中第一个1×1卷积层可对特征图进行降维,第二个3×3的卷积层对特征进行提取,第三个1×1的卷积层将维度恢复,方便自身映射。该神经网络一方面有效地解决了梯度爆炸或梯度过小的问题,另一方面大大降低了模型使用的参数,显著的提高了识别的效率。在二维卷积、最大池化和完全连接层中,由于整流线性单元(ReLU)的收敛速度比传统的s形和双曲正切(Tanh)函数更快,因此选择其作为非线性激活函数。最后,使用Softmax作为激活函数,输出进入最后一个完全连接层。该层的输出为最终检测到的OAM光束模式。
本发明通过设计一种特殊的基于拉盖尔高斯光束的全息相位板,将高斯激光束修改成双模式轨道角动量叠加的情况,使其具有“花瓣状”分布,轨道角动量信息体现在“花瓣”的数量上,这使我们可以直观地从光强分布上直接且准确的获得轨道角动量信息,方便利用机器学习识别算法进行识别轨道角动量。此外,分数轨道角动量可以克服当角动量值过大时带来的相位奇异和识别困难,在扩展激光通讯的容量上起着十分重要的作用。在此基础上,在相位板上添加了一种随机相位,模拟光束通过大气湍流受到的影响,光束经过携带随机相位的相位板,波前相位出现扰动,采用CNN模型可以有效的识别经过扰动的轨道角动量信息。另外采用python语言,基于Keras框架构造了一个特殊的基于ResNet架构的卷积神经网络模型,并且在其基础上进行改进和优化,用于识别受扰动的双模式“花瓣状”光强分布图的轨道角动量信息,在弱湍流下准确率可以达到99.98%,在较强湍流下准确率可以达到93.38%。基于以上原理,构建了一个完整的自由空间传输的分数双模式轨道角动量光束的方案。
本发明与现有技术相比具有准确地识别受扰动的轨道角动量值,设计简单直观,操作方便,可迁移性强,可以适用于很多类似的轨道角动量识别方案,达到很高的识别准确率、识别误差低和误码率,搭建周期短,节约大量时间空间成本,可广泛应用于光纤光学、光学芯片和波导等技术领域。
附图说明
图1为本发明搭建的光路系统图;
图2为分数双模式轨道角动量部分轨道角动量全息图;
图3为不同湍流强度下的随机相位屏图;
图4为光强分布的模拟图和实验图;
图5为本发明设计的卷积神经网络结构图;
图6为本发明传输系统示意图。
具体实施方式
以下结合说明书附图,对本发明作进一步的说明。
参阅附图1,根据本发明搭建的实验光路,具体包括:氦氖激光器1、光隔离器2,准直扩束系统(物镜3、光阑4和透镜5),分束系统(平面镜6、分束器8和半波片7)、空间光调制器9、电荷耦合器件10、两计算机11、12及其python程序,其中,一计算机11连接和空间光调制器9,另一计算机12连接电荷耦合器件10。
上述实验光路是这样进行自由空间中分数双模式轨道角动量光束识别的:氦氖激光器1出射激光束(HeNe),经过光隔离器2防止激光返回激光器,经过望远镜3、光阑4和透镜5组合进行扩束和准直,出射一个束腰半径较大的激光束,具体束腰半径无特别要求,但是要能够完整打在空间光调制器屏幕上。随后激光束经平面镜6的调整方向,以及半波片7的调整偏振使得和空间光调制器9适配。激光束再通过一个激光分束器8分束,将其中一束激光束打在空间光调制器9上,然后反射到电荷耦合器件10检测光强分布。使用激光分束器8设计光路主要是因为空间光调制器9要求的激光垂直入射角要小于5度,以及减少实验装置设计空间。具体实验中,根据电荷耦合器件10的光强检测要求和氦氖激光器1出射光强不同,可以在光路路径中增加连续衰减片以调整光强大小。所述空间光调制器9和电荷耦合器件10连接的计算机11,分别用于生成和检测轨道角动量光束。
本发明中的空间光调制器9上加载双模式混合全息图,通常携带轨道角动量l的涡旋光束的相位分布可以描述为l定义了OAM模式的量子数,理论上可以取任何整数值。本发明的技术方案采用了一种±l叠加的双模式OAM模式混合光束,其相位分布由0和π交替组成。这种光束表示同时传输的OAM量子数大小相同,符号相反的两个OAM模式的叠加,其混合双模式光束的相位函数由下述a式表示为:
式中:l为OAM模式的拓扑荷数;n为一个周期内0相位调制面积所占的混合比例的参数,其取值范围为(0,1)。由于轨道角动量光束的特性,当l值越大,光束中心的相位奇异区域越大,光束也约发散,对光束的探测和识别都带来一定的难度,分数角动量的提出极大的改善了这一问题,在光通信等方面,分数角动量可以在较小的范围提供数量更多的角动量的值,极大的提高了通信的容量。
参阅附图2,图中2a、2b、2c、2d和2e分别表示了±l为2.1、2.3、2.5、2.7和2.9的叠加相位板,其比例参数n=0.5。
在光通信领域,自由空间中的光通信可以避免使用光纤等波导介质,直接利用激光在大气或外太空传输信息。带有OAM的光束在大气中传播时,由于气体分子和气溶胶的吸收和散射会导致空气折射率的改变,使光束的相位波前受到干扰,影响光束的强度和相位波前,这相当于在光束相位上叠加一个具有特殊规律的随机相位,根据Andrews修正的基于Kolmogorov的空间谱生成模拟大气湍流的相位屏由下述d~f式表示:
ξ(k)=FFT(Mσ(k)) (f);
e式中:σ2用于模拟波前相的随机分布的方差;Δx和N分别代表网格和随机相位屏的大小;kz=2π/λ为光束传播方向上的波数;Δz为在湍流中传播的距离。最终相位随机扰动谱由f式求出。
参阅附图3,图中3a、3b和3c分别代表了在湍流强度分别为10-15m-2/3,10-14m-2/3,10-13m-2/3下传播500m的湍流强度图。
根据高斯光光场分布公式,一束高斯激光束经过如上所述的湍流下双模式叠加混合全息图后将产生的部分轨道角动量光束,其光场分布由以下述b式表示:
其中,r,z0表示柱坐标;w表示激光束的束腰。由于观察平面就处于空间光调制器平面,所以z0=0,而根据菲涅尔衍射理论可知,光场经过自由空间传输一段z0的距离后,光场分布由下述c式的菲涅尔衍射积分计算得到:
根据以上公式,可以得到不同的l,n,z值的双模式轨道角动量叠加光束。这种光束在光强分布上具有明显的识别特征,即花瓣形状和轨道角动量值一一对应,可以利用机器学习方法高效识别。
参阅附图4,图中分别展示了不同湍流强度和传播距离条件下,不同的分数轨道角动量受扰动的光强分布图。所述电荷耦合器件10连接计算机11,用于采集光强分布图。在实验上采集大量的轨道角动量光强分布图,每个湍流强度和传输距离大概20,000张图片。用于训练本发明设计的卷积神经网络模型。
参阅附图5,该卷积神经网络模型具体可以描述如下。
使用python语言,采用Keras框架,基于50层残差卷积神经网络模型(ResNet)进行修正,来符合轨道角动量的识别模式。该模型首先对输入图片进行卷积操作,然后进行池化进行维度和参数的调节。后续的模型基于自身映射模块(identity blocks)和卷积操作模块(convolution blocks),其中自身映射不经过卷积网络降维,直接将输入加到卷积操作模块的输出上,卷积操作模块中,输入依次进行一个1×1,一个3×3,和一个×1的卷积层对特征进行提取,并通过全局池化层和全连接层进行分类,其中第一个1×1卷积层可对特征图进行降维,第二个3×3的卷积层对特征进行提取,第三个1×1的卷积层将维度恢复,方便自身映射。该神经网络一方面有效地解决了梯度爆炸或梯度过小的问题,另一方面大大降低了模型使用的参数,显著的提高了识别的效率。在二维卷积、最大池化和完全连接层中,由于整流线性单元(ReLU)的收敛速度比传统的s形和双曲正切(Tanh)函数更快,因此选择其作为非线性激活函数。最后,使用Softmax作为激活函数,输出进入最后一个完全连接层,该层的输出为最终检测到的OAM光束模式。在具体的实验操作过程中采用GPU:NVIDIA RTX-2060s,CPU:INTEL i7-8700K的计算机训练本发明设计的卷积神经网络模型,模型的训练速度快,得到的结果准确率高。
参阅附图6,氦氖激光器1出射连续高斯激光束到空间光调制器9平面,空间光调制器9受计算机11控制,随时间变化加载设计的不同含有湍流随机相位的分数双模式轨道角动量相位全息图,这样可使得高斯激光束变成花瓣状光束,从而携带轨道角动量信息。携带角动量信息的光束被接受并显示光强分布,电荷耦合器件10连接另一台计算机12,收集各种经过大气湍流扰动的部分轨道角动量光束的光强分布图,给予卷积神经网络模型训练。经过大量数据训练后,该卷积神经网络模型就可以学习经过自由空间中的携带不同轨道角动量的光束的特征,从而剔准确识别双模式角动量光束中携带的轨道角动量信息。训练完成后,完整的双模式轨道角动量识别系统保持不变,由空间光调制器9连接的计算机11随时间变化输入一系列未知轨道角动量的全息图。携带未知轨道角动量信息的部分轨道角动量光束通过一段距离的自由空间传播后,被卷积神经网络模型接受后,最终识别出准确信息。
本发明提出的一种基于卷积神经网络的自由空间中分数双模式轨道角动量光束识别方法,其主要包括以下步骤:
步骤一:安装实验装置
根据给出的实验装置图和光路图搭建实验装置光路系统并调整准直光路。将空间光调制器9和电荷耦合器件10分别连接两计算机11、12。
步骤二:绘制全息图
使用python程序,绘制参数不同的部分轨道角动量全息图,通过设置n=0.01~0.99(间隔0.01),l=±2.0~±2.9(间隔0.1),10-14m-2/3,10-13m-2/3,z=500~1500m(间隔500m)共绘制8910张相位全息图。
步骤三:采集训练样本
设置实验光路,打开氦氖激光器1,将空间光调制器9到电荷耦合器件10的距离设置为10cm。使用python程序,将上述步骤中绘制的全息相位图依次加载到空间光调制器9上。同时,设置连接电荷耦合器件10的另一计算机12,依次采集每张全息图对应的激光光强分布图(2张),一共约2,000张激光光强分布图。调节距离z=10~30cm(间隔2.5cm),重复测量。每个湍流强度和传播距离下分别采集约20000张l,n参数不同的激光光强分布图,作为训练样本。
步骤四:搭建模型
使用python语言,基于Keras框架,搭建一个50层的残差卷积神经网络模型,程序还包括导入数据,数据预处理和测试模型单元。
步骤五:训练模型
将步骤三采集到的光强分布图作为训练样本,为所有的数据标上其对应的轨道角动量的值作为标签。按照6:2:2的比例分成训练集,验证集和测试集。将训练集和验证集数据经过旋转,拉伸,扭曲的预处理后,将其和其对应标签按照随机顺序输入模型,最大迭代次数50次,最终得到训练完成的模型。
步骤六:测试模型
将步骤五中划分出来的测试集去除标签后依次输入训练好的模型中,经过模型的预测得到各个测试集样本的预测标签,将预测标签和真实标签对比,计算模型准确率。
上述实验过程中,需要同时训练多个参数不同的模型,根据不同模型在验证集上的表现效果不同,选择最适合模型的参数作为模型的最终参数,选出该轨道角动量识别问题上最合适的模型。实际情况中,往往需要得到高准确率模型的同时兼顾较快的模型训练速度。根据本发明设计的技术方案,在弱湍流下的识别准确率可以达到99.98%,在较强湍流下的识别准确率可以达到93.38%。本发明设计了一种双模式叠加的部分轨道角动量光束,并且用这种光束来完成传输系统。同时设计了一种适合轨道角动量识别问题的卷积神经网络模型,配合设计产生的光束。有效解决了传统单模式轨道角动量传输和识别方案中,识别特征不明显,准确率低的问题。考虑到自由空间中大气湍流对光强的影响,本发明模拟出不同湍流强度下以及不同传输距离的光束传输情况。利用python和Keras框架实现了卷积神经网络模型的设计,python程序功能强大、程序编写简单以及操作方便,不仅简化了电路设计,而且参数调节特别方便,使用时特别灵活。该单模式的轨道角动量传输系统也具有普遍性,可以应用干涉,衍射等等方案构造其他类型的轨道角动量光束,也可以实现轨道角动量的高准确率识别。
以上实施例只是对本发明做进一步说明,并非用以限制本发明专利,凡为本发明等效实施,均应包含于本发明专利的权利要求范围之内。
Claims (4)
1.一种自由空间中分数双模式轨道角动量光束识别方法,其特征在于采用双模式叠加的轨道角动量光束,让激光依次通过空间光调制器加载的全息相位图,使反射的激光携带轨道角动量信息,其识别包括以下步骤:
步骤一:搭建光路系统
采用两计算机与光路系统连接的轨道角动量光束识别装置,所述光路系统由氦氖激光器、光隔离器、物镜、光阑、透镜、平面镜、半波片、分束器、空间光调制器和电子耦合器件组成;所述空间光调制器和电子耦合器件分别连接计算机;
步骤二:绘制全息图
使用python程序,绘制不同参数的轨道角动量相位全息图,所述参数的设置:混合比例n=0.01~0.99,其间隔为0.01;轨道角动量l=±2.0~±2.9,其间隔为0.1;湍流强度10-14m-2/3、10-13m-2/3;传播距离z=500~1500m,其间隔为500m;
步骤三:采集训练样本
使用python程序,将步骤二绘制的全息相位图加载到空间光调制器上,依次采集每张全息图所对应的激光光强分布图,调节空间光调制器与电子耦合器件的间距进行不同传播距离z的测量,在每个湍流强度和传播距离z下分别采集l和n不同参数的激光光强分布图,所述空间光调制器与电子耦合器件的间距调节范围为:10~30cm,其间隔为2.5cm;所述轨道角动量l的采集范围为:±2.0~±2.9;所述混合比例n的采集范围为:0.01~0.99;
步骤四:搭建模型
使用python语言,基于Keras框架,搭建一个50层的残差卷积神经网络模型,其程序包括导入数据、数据预处理和测试模型单元;
步骤五:训练模型
将步骤三采集到的激光光强分布图作为训练样本,为所有的数据标上其对应的轨道角动量值作为标签,按6:2:2的比例划分成训练集、验证集和测试集,并将训练集和验证集数据经旋转、拉伸和扭曲的预处理后,将其和它所对应的标签按随机顺序输入残差卷积神经网络模型进行迭代训练,得到训练好的残差卷积神经网络模型,所述迭代次数≤50;
步骤六:测试模型
将步骤五划分的测试集去除标签后依次输入训练好的残差卷积神经网络模型中,得到各测试集样本的预测标签,并将预测标签和真实标签对比,计算模型的准确率。
2.根据权利要求1所述自由空间中分数双模式轨道角动量光束识别方法,其特征在于所述python程序包括:绘制湍流全息相位图、加载湍流全息相位图、数据预处理、导入数据、构建卷积神经网络、训练模型和测试模型,所述python程序绘制的不同湍流强度Cn 2、不同传播距离z下具有不同双模式轨道角动量l值和混合比例n值的全息相位图。
3.根据权利要求1所述自由空间中分数双模式轨道角动量光束识别方法,其特征在于所述氦氖激光器出射激光束经光隔离器的防止激光返回,通过望远镜、光阑和透镜的组合进行扩束和准直,出射出一个能完整打在空间光调制器屏幕上的激光束,其束腰半径>1/3屏幕,随后激光束经平面镜、半波片的方向和偏振调整,使激光束和空间光调制器适配,偏振后的激光束经激光分束器分束,将其中一束激光打在空间光调制器上,其反射到电荷耦合器件检测光强分布,所述空间光调制器和电荷耦合器件与计算机连接,用于生成和检测轨道角动量光束。
4.根据权利要求1所述自由空间中分数双模式轨道角动量光束识别方法,其特征在于所述双模式叠加的轨道角动量光束采用双模式轨道角动量叠加两个OAM模式的混合光束,其相位分布由0和π交替组成,所述混合光束为量子数相同,符号相反的两个OAM模式的叠加,其混合双模式光束的相位函数由下述a式表示为:
式中:l为OAM模式的拓扑荷数;n为一个周期内0相位调制面积所占的混合比例的参数,其取值范围为(0,1);
所述轨道角动量光束的光场分布由下述b式表示为:
根据上述a~b式,得到不同的l,n,z值的双模式轨道角动量叠加光束和其对应的相位全息图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693883.9A CN113566957B (zh) | 2021-06-22 | 2021-06-22 | 一种自由空间中分数双模式轨道角动量光束识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693883.9A CN113566957B (zh) | 2021-06-22 | 2021-06-22 | 一种自由空间中分数双模式轨道角动量光束识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113566957A true CN113566957A (zh) | 2021-10-29 |
CN113566957B CN113566957B (zh) | 2023-06-23 |
Family
ID=78162537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110693883.9A Active CN113566957B (zh) | 2021-06-22 | 2021-06-22 | 一种自由空间中分数双模式轨道角动量光束识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113566957B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114884571A (zh) * | 2022-05-06 | 2022-08-09 | 安徽大学 | 一种幂指数型Airy光束轨道角动量模式在等离子体湍流中传输的计算方法 |
CN115276784A (zh) * | 2022-07-26 | 2022-11-01 | 西安电子科技大学 | 基于深度学习的轨道角动量模态识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160028479A1 (en) * | 2014-07-23 | 2016-01-28 | University Of Southern California | Adaptive Optics Based Simultaneous Turbulence Compensation of Multiple Orbital Angular Momentum Beams |
CN109060124A (zh) * | 2018-08-10 | 2018-12-21 | 中南民族大学 | 基于数字微镜的通信光束轨道角动量模式的识别系统 |
CN109682465A (zh) * | 2018-12-29 | 2019-04-26 | 北京邮电大学 | 一种轨道角动量空间光通信系统下的单强度探测自适应光学系统 |
WO2019204960A1 (zh) * | 2018-04-23 | 2019-10-31 | 中山大学 | 一种基于螺旋变换的光子轨道角动量模式测量方法及系统 |
CN111639767A (zh) * | 2020-05-27 | 2020-09-08 | 西安电子科技大学 | 基于湍流效应的光学轨道角动量机器学习识别方法 |
-
2021
- 2021-06-22 CN CN202110693883.9A patent/CN113566957B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160028479A1 (en) * | 2014-07-23 | 2016-01-28 | University Of Southern California | Adaptive Optics Based Simultaneous Turbulence Compensation of Multiple Orbital Angular Momentum Beams |
WO2019204960A1 (zh) * | 2018-04-23 | 2019-10-31 | 中山大学 | 一种基于螺旋变换的光子轨道角动量模式测量方法及系统 |
CN109060124A (zh) * | 2018-08-10 | 2018-12-21 | 中南民族大学 | 基于数字微镜的通信光束轨道角动量模式的识别系统 |
CN109682465A (zh) * | 2018-12-29 | 2019-04-26 | 北京邮电大学 | 一种轨道角动量空间光通信系统下的单强度探测自适应光学系统 |
CN111639767A (zh) * | 2020-05-27 | 2020-09-08 | 西安电子科技大学 | 基于湍流效应的光学轨道角动量机器学习识别方法 |
Non-Patent Citations (1)
Title |
---|
吕宏;柯熙政;: "具轨道角动量光束用于光通信编码及解码研究", 光学学报, no. 02 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114884571A (zh) * | 2022-05-06 | 2022-08-09 | 安徽大学 | 一种幂指数型Airy光束轨道角动量模式在等离子体湍流中传输的计算方法 |
CN114884571B (zh) * | 2022-05-06 | 2023-10-03 | 安徽大学 | 一种幂指数型Airy光束轨道角动量模式在等离子体湍流中传输的计算方法 |
CN115276784A (zh) * | 2022-07-26 | 2022-11-01 | 西安电子科技大学 | 基于深度学习的轨道角动量模态识别方法 |
CN115276784B (zh) * | 2022-07-26 | 2024-01-23 | 西安电子科技大学 | 基于深度学习的轨道角动量模态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113566957B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | The identification of coherent structures using proper orthogonal decomposition and dynamic mode decomposition | |
Andrews et al. | Strehl ratio and scintillation theory for uplink Gaussian-beam waves: beam wander effects | |
Meneghetti et al. | Arc statistics | |
Harvey et al. | Modeling physical optics phenomena by complex ray tracing | |
CN113566957A (zh) | 一种自由空间中分数双模式轨道角动量光束识别方法 | |
CN110332990A (zh) | 一种基于深度学习的大气湍流实时补偿方法及系统 | |
Phillips et al. | Atmospheric turbulence simulation using liquid crystal spatial light modulators | |
Underwood et al. | Wave optics approach for incoherent imaging simulation through distributed turbulence | |
CN112836422B (zh) | 干涉与卷积神经网络混合方案测量方法 | |
Van Den Broeck et al. | Weak lensing effects in the measurement of the dark energy equation of state with LISA | |
Portaluri et al. | Evaluating the performance of an Ingot wavefront sensor for the ELT: good news from simulations | |
Oesch et al. | Aggregate behavior of branch points: characterization in wave optical simulation | |
CN106644104B (zh) | 一种基于谱反演法的离散雨滴介质的相位屏建模方法 | |
CN102768474A (zh) | 基于二阶像差模型的投影物镜波像差检测方法 | |
Ashcraft et al. | Hybrid propagation physics for the design and modeling of astronomical observatories: a coronagraphic example | |
Li et al. | Research on nonlinear tracking and evaluation of sports 3D vision action | |
Huang et al. | Detecting the orbital angular momentum from speckle via convolutional neural network | |
Brooks et al. | Atmospheric simulation using a liquid crystal wavefront-controlling device | |
CN115014507A (zh) | 一种通过机器学习对分数轨道角动量光束进行识别的方法 | |
Finot et al. | Exploring Fresnel diffraction at a straight edge with a neural network | |
Belahcene | Searching for gravitational waves produced by cosmic strings in LIGO-Virgo data | |
Toselli et al. | Experimental generation of non-Kolmogorov turbulence using a liquid crystal spatial light modulator | |
Dome et al. | Modelling post-reionization H i distributions in fuzzy dark matter cosmologies using conditional normalizing flows | |
Limbach | Wavefront Retrieval from Irradiance Measurements using Inverse Design Methods | |
CN116412996B (zh) | 一种对大气光学湍流效应的模拟方法及系统 |
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 |