CN114337834A - 一种基于卷积神经网络的涡旋光束阵列多维编解码方法 - Google Patents
一种基于卷积神经网络的涡旋光束阵列多维编解码方法 Download PDFInfo
- Publication number
- CN114337834A CN114337834A CN202111670661.1A CN202111670661A CN114337834A CN 114337834 A CN114337834 A CN 114337834A CN 202111670661 A CN202111670661 A CN 202111670661A CN 114337834 A CN114337834 A CN 114337834A
- Authority
- CN
- China
- Prior art keywords
- vortex
- light beam
- coding
- array
- information
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims description 35
- 238000013135 deep learning Methods 0.000 claims description 5
- 108091026890 Coding region Proteins 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于卷积神经网络的涡旋光束阵列多维编解码方法。本发明通过涡旋光束阵列相位光栅对高斯光束进行时变的多维调制编码，利用卷积神经网络进行解调，提高了系统的解调速度和准确率。本发明的基于卷积神经网络的涡旋光束阵列多维编解码系统中，数字信号的调制与解调均可分别由涡旋光束阵列相位光栅和卷积神经网络系统来实现，解调结构十分简单，易于调节，并降低了系统成本。本发明相比于现有的数字信号解调方法与系统相比具有很大的改进，在涡旋光束的多维编解码中具有十分广阔的应用前景。
Description
技术领域
本发明属于光通信的信息传输技术领域，具体涉及一种基于卷积神经网络的涡旋光束阵列多维编解码方法。
背景技术
随着5G的时代的全面普及，物联网、视频电话、网络直播、远程教育和电子商务等需要大流量的产业不断兴起，人们对信息的需求越来越大，对网络的容量和带宽的需求越来越大，因而扩大通信系统的通信容量已成为通信领域一个亟待解决的问题，对更多通信资源维度的发掘成为构建高速大容量的通信技术的必然趋势。轨道角动量(orbitalangular momentum，OAM)是一种新的物理维度，跟其他光维度(如波长/频率、时间等)彼此相互独立所以得到了研究者的广泛关注。将携带有OAM的涡旋光束应用到光通信领域，可以有效的提升光通信系统的容量。首先，涡旋光束的OAM模式值可以作为一个独立的维度来进行信息编码，即OAM编码。当采用m个不同的OAM模式值进行OAM编码表示一个m进制数，则经过编码后每一个码元具有log2N比特的信息量。相比于传统的二进制1比特编码而言，将编码效率提升了log2N倍。由于OAM模式值l取值无限，因此理论上一个光子可以承载无穷比特的信息量。另外，不同整数阶OAM的光束之间相互正交。因此，以具有不同OAM模式值的涡旋光束作为载波，将模式复用技术和空分复用技术引入传统光通信中，可大大拓展通信系统的信道容量。
在OAM编码技术中，虽然采用多维OAM编码方法可以用有限的OAM模式值实现了高比特信息量的编码，但是在解调之前需要进行判断基于哪种维度的调制编码，且它的解调结构相对比较复杂，所以当前需开发新的解调技术，使得采用多维OAM编码方法的解调速度更快和准确率更高。
发明内容
本发明的目的是针对OAM光束解调技术的缺陷，提供一种基于卷积神经网络的涡旋光束阵列多维编解码方法，本发明通过卷积神经网络的方法对涡旋光束的多维编码进行解调，极大提高了系统的解调速度和准确率，同时系统结构简单易于实现。
为了实现以上目的，本发明采用的技术方案包括如下步骤：
S1：将传输图像通过编码转换成二进制比特流，将所述的二进制比特流序列划分成10比特一组，每组中前面4比特是传输空间位置的信息，每组中中间3比特是传输涡旋光束模式值的信息，每组最后3比特是传输涡旋光束振幅的信息，根据每组中不同位置比特传输信息的不同设计相应的涡旋光束阵列光栅全息图；
S2：将涡旋光束阵列光栅全息图加载到空间光调制器上，激光器产生高斯光束通过所述的空间光调制器，空间光调制器将高斯光束调制成阵列涡旋光束，具体实现如下：在第一个时刻进行空间位置的调制编码，传输4bit信息；在第二个时刻进行涡旋光束模式值的调制编码，传输3bit信息；在第三个时刻进行涡旋光束振幅调制编码，传输3bit信息；
S3:阵列涡旋光束在自由空间传输后经过CCD相机，CCD相机采集得到阵列涡旋光束随着时间变化的强度分布图，并传输给主机
S4：主机接收到强度分布图后，由主机上的卷积神经网络进行识别，得到加载在阵列涡旋光束上的数字信息；
S5：所述的数字信息通过10比特一组的顺序整合成二进制比特流，将二进制比特流通过解码转换得到所传输图像。
进一步的，所述的数字信息的调制编码由涡旋光束阵列相位光栅全息图来实现，所述的调制编码序列根据传输图像编码转换的bit数码型序列所决定的。
进一步的，所述的空间光调制器与主机相连并由主机控制，空间光调制器上加载涡旋光束阵列光栅全息图。
进一步的，所述的主机上的卷积神经网络采用深度学习中经典的LeNet-5架构。
进一步的，本发明还提供一种基于卷积神经网络的涡旋光束阵列多维编解码系统，包括激光器、空间光调制器、CCD相机、数据传输线和主机；所述激光器作为光源，用以产生基模高斯光束；所述空间光调制器加载根据传输图像编码得到的二进制比特流序列设计的涡旋光束阵列光栅全息图，来调制基模高斯光束以实现信息的多维编码，并获得多维编码调制后的阵列涡旋光束；所述CCD相机置于激光光路中，对多维编码调制后时的变阵列涡旋光束进行记录；所述数据传输线用于连接CCD相机与主机，实现信息的实时传输；所述主机用于分析由CCD相机采集到的强度分布图，以深度学习的方式得到加载在阵列涡旋光束上的数字信息，将数字信息通过10比特一组的顺序整合为二进制比特流，通过二进制比特流解码转换得到传输图像，实现图像的传输。
与现有技术相比，本发明有益效果如下：
本发明提出了一种基于卷积神经网络的涡旋光束阵列多维编码/解码方法与系统。本发明通过涡旋光束阵列相位光栅对高斯光束进行时变的多维调制编码，利用卷积神经网络进行解调，提高了系统的解调速度和准确率。解调结构十分简单，易于调节，并降低了系统成本。本发明相比于现有的数字信号解调方法与系统相比具有很大的改进，在涡旋光束的多维编解码中具有十分广阔的应用前景。
附图说明
图1是本发明结构示意图；
图2是不同时刻下高斯光束通过空间光调制器上的涡旋光束阵列光栅全息图后生成的阵列涡旋光束的强度分布图；
图3不同时刻下阵列涡旋光束的强度分布图以及对应的码型序列
图4不同时刻下强度分布图通过卷积神经网络学习的识别率仿真图；
图5(a)仿真实验中所要传输的灰度图片；
图5(b)利用10比特阵列涡旋光束将(a)所示的图片在自由空间中传输1千米后卷积神经网络解调出来的图片；
其中，1.激光器；2.空间光调制器；3.大气湍流信道模型；4.CCD相机；5.数据传输线和主机。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷，提供了一种基于卷积神经网络的涡旋光束阵列多维编解码方法及系统。
实施例1：
本发明提出的一种基于卷积神经网络的涡旋光束阵列多维编解码方法，其中，1.激光器；2.空间光调制器；3.大气湍流信道模型；4.CCD相机；5.数据传输线和主机。
如图1所示，在传输距离为1km下传输10bit信息为例；本发明具体实现如下：
S1：将传输图像通过编码转换成二进制比特流，将所述的二进制比特流序列划分成10比特一组，每组中前面4比特是传输空间位置的信息，每组中中间3比特是传输涡旋光束模式值的信息，每组最后3比特是传输涡旋光束振幅的信息，根据每组中不同位置比特传输信息的不同设计相应的涡旋光束阵列光栅全息图；
S2：将涡旋光束阵列光栅全息图加载到空间光调制器上，激光器产生高斯光束通过所述的空间光调制器，空间光调制器将高斯光束调制成阵列涡旋光束，具体实现如下：在第一个时刻进行空间位置的调制编码，传输4bit信息；在第二个时刻进行涡旋光束模式值的调制编码，传输3bit信息；在第三个时刻进行涡旋光束振幅调制编码，传输3bit信息；
S3:阵列涡旋光束经过CCD相机，CCD相机采集得到阵列涡旋光束随着时间变化的强度分布图，并传输给主机
S4：主机接收到强度分布图后，由主机上的卷积神经网络进行识别，得到加载在阵列涡旋光束上的数字信息；
S5：所述的数字信息通过10比特一组的顺序整合成二进制比特流，将二进制比特流通过解码转换得到所传输图像。
在步骤S1中，数字信息的调制编码由涡旋光束阵列相位光栅全息图来实现，所述的调制编码序列根据传输图像编码转换的bit数码型序列所决定的。
在步骤S2中，空间光调制器与主机相连并由主机控制，空间光调制器上加载涡旋光束阵列光栅全息图，图2表示不同时刻高斯光束通过空间光调制器后生成的阵列涡旋光束的强度分布图。
在步骤S3中，不同时刻下阵列涡旋光束强度分布图与10bit码型序列一一对应，图3表示不同时刻下阵列涡旋光束的强度分布图以及对应的码型序列；
在步骤S4中，其中主机上的卷积神经网络采用为深度学习中经典的LeNet-5架构。图4表示不同时刻下阵列涡旋光束强度分布图通过卷积神经网络学习的识别率仿真图。
本实施例中，采用10比特阵列涡旋光束信号在自由空间中将一副图片仿真传输了1千米。所选取的灰度图片为一256×256像素的杭州电子科技大学标志。图5(a)和图5(b)分别为所要传输的灰度图片和采用10比特阵列涡旋光束信号在自由空间中传输1千米后卷积神经网络解调出来的图片。仿真结果表明，在弱湍流情况下，误码率为0，传输后的卷积神经网络解调出来的图片与发送端编码调制的图片完全一致。
本发明提出的一种基于卷积神经网络的涡旋光束阵列多维编码解码系统，与之前的系统相比，该方案将多维编码技术相结合，在采用有限的OAM模式值编码的情况下，引入了振幅键控技术、空分复用技术进一步提升了数字信号的编码效率。同时采用卷积神经网络进行解调，提高了系统的解调速度和准确率。解调结构十分简单，易于调节，并降低了系统成本。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种基于卷积神经网络的涡旋光束阵列多维编解码方法，其特征在于包括如下步骤：
S1：将传输图像通过编码转换成二进制比特流，将所述的二进制比特流序列划分成10比特一组，每组中前面4比特是传输空间位置的信息，每组中中间3比特是传输涡旋光束模式值的信息，每组最后3比特是传输涡旋光束振幅的信息，根据每组中不同位置比特传输信息的不同设计相应的涡旋光束阵列光栅全息图；
S2：将涡旋光束阵列光栅全息图加载到空间光调制器上，激光器产生高斯光束通过所述的空间光调制器，空间光调制器将高斯光束调制成阵列涡旋光束，具体实现如下：在第一个时刻进行空间位置的调制编码，传输4bit信息；在第二个时刻进行涡旋光束模式值的调制编码，传输3bit信息；在第三个时刻进行涡旋光束振幅调制编码，传输3bit信息；
S3:阵列涡旋光束在自由空间传输后经过CCD相机，CCD相机采集得到阵列涡旋光束随着时间变化的强度分布图，并传输给主机
S4：主机接收到强度分布图后，由主机上的卷积神经网络进行识别，得到加载在阵列涡旋光束上的数字信息；
S5：所述的数字信息通过10比特一组的顺序整合成二进制比特流，将二进制比特流通过解码转换得到所传输图像。
2.根据权利要求1所述一种基于卷积神经网络的涡旋光束阵列多维编解码方法，其特征在于数字信息的调制编码由涡旋光束阵列相位光栅全息图来实现，所述的调制编码序列根据传输图像编码转换的bit数码型序列所决定的。
3.根据权利要求2所述一种基于卷积神经网络的涡旋光束阵列多维编解码方法，其特征在于空间光调制器与主机相连并由主机控制，空间光调制器上加载涡旋光束阵列光栅全息图。
4.根据权利要求3所述的一种基于卷积神经网络的涡旋光束阵列多维编解码方法，其特征在于主机上的卷积神经网络采用深度学习中经典的LeNet-5架构。
5.一种基于卷积神经网络的涡旋光束阵列多维编解码系统，其特征在于：包括激光器、空间光调制器、CCD相机、数据传输线和主机；所述激光器作为光源，用以产生基模高斯光束；所述空间光调制器加载根据传输图像编码得到的二进制比特流序列设计的涡旋光束阵列光栅全息图，来调制基模高斯光束以实现信息的多维编码，并获得多维编码调制后的阵列涡旋光束；所述CCD相机置于激光光路中，对多维编码调制后时的变阵列涡旋光束进行记录；所述数据传输线用于连接CCD相机与主机，实现信息的实时传输；所述主机用于分析由CCD相机采集到的强度分布图，以深度学习的方式得到加载在阵列涡旋光束上的数字信息，将数字信息通过10比特一组的顺序整合为二进制比特流，通过二进制比特流解码转换得到传输图像，实现图像的传输。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670661.1A CN114337834B (zh) | 2021-12-31 | 2021-12-31 | 一种基于卷积神经网络的涡旋光束阵列多维编解码方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670661.1A CN114337834B (zh) | 2021-12-31 | 2021-12-31 | 一种基于卷积神经网络的涡旋光束阵列多维编解码方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114337834A true CN114337834A (zh) | 2022-04-12 |
| CN114337834B CN114337834B (zh) | 2024-02-02 |
Family
ID=81020075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111670661.1A Active CN114337834B (zh) | 2021-12-31 | 2021-12-31 | 一种基于卷积神经网络的涡旋光束阵列多维编解码方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114337834B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180063519A1 (en) * | 2016-08-29 | 2018-03-01 | Disney Enterprises, Inc. | Multi-view displays using images encoded with orbital angular momentum (oam) on a pixel or image basis |
| CN111307279A (zh) * | 2019-11-19 | 2020-06-19 | 中国人民解放军战略支援部队航天工程大学 | 一种基于三步相移法的涡旋光模式检测方法 |
| CN112910551A (zh) * | 2021-01-21 | 2021-06-04 | 淮阴工学院 | 基于全息图的多信道轨道角动量编解码方法 |
| CN113340418A (zh) * | 2021-06-01 | 2021-09-03 | 北京理工大学 | 基于卷积神经网络的光束轨道角动量谱测量方法与系统 |
| 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 |
-
2021
- 2021-12-31 CN CN202111670661.1A patent/CN114337834B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180063519A1 (en) * | 2016-08-29 | 2018-03-01 | Disney Enterprises, Inc. | Multi-view displays using images encoded with orbital angular momentum (oam) on a pixel or image basis |
| CN111307279A (zh) * | 2019-11-19 | 2020-06-19 | 中国人民解放军战略支援部队航天工程大学 | 一种基于三步相移法的涡旋光模式检测方法 |
| CN112910551A (zh) * | 2021-01-21 | 2021-06-04 | 淮阴工学院 | 基于全息图的多信道轨道角动量编解码方法 |
| 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 |
| CN113340418A (zh) * | 2021-06-01 | 2021-09-03 | 北京理工大学 | 基于卷积神经网络的光束轨道角动量谱测量方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张国文: "基于机器学习的轨道角动量键控仿真研究", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114337834B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3560157B1 (en) | Methods of converting or reconverting a data signal and method and system for data transmission and/or data reception | |
| CN109039468B (zh) | 一种信息调制方法、信息解调方法、装置及通信系统 | |
| CN109845112B (zh) | 转换或重新转换数据信号的方法以及用于数据发送和/或数据接收的方法和系统 | |
| CN109274431B (zh) | 基于轨道角动量编码的一对多广播光通信方法与系统 | |
| CN113405675A (zh) | 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 | |
| CN108123910B (zh) | 一种基于光束轨道角动量态和振幅的混合键控方法与系统 | |
| CN112910551B (zh) | 基于全息图的多信道轨道角动量编解码方法 | |
| CN111049586B (zh) | 一种基于降幅式概率成形的脉冲幅度位置调制系统 | |
| CN109104248A (zh) | 一种基于SOFM神经网络聚类的DRoF前端信号量化方法 | |
| Pham et al. | Deep learning for optical vehicular communication | |
| CN111935042A (zh) | 一种基于机器学习的概率整形识别系统、方法及接收端 | |
| CN111181652B (zh) | 一种基于比特加权分布匹配的ps-pam4系统 | |
| EP3404856B1 (en) | Method of and apparatus for modulating an optical carrier | |
| CN111181651A (zh) | 一种提高传输速率的四维编码调制系统 | |
| Cai et al. | One-bit quantization delta-sigma modulation-based autoencoder for power-efficient free-space communication | |
| CN114337834B (zh) | 一种基于卷积神经网络的涡旋光束阵列多维编解码方法 | |
| US20040208315A1 (en) | Information exchanging and modem architecture using an intelligent database | |
| CN112422195B (zh) | 基于广义互信息的多维信号调制电路的设计方法及其应用 | |
| Lv et al. | Deep-Learning-Based Security of Optical Wireless Communications for Intelligent Transportation Digital Twins Systems | |
| CN105846905A (zh) | 一种光信号发送、接收方法及装置 | |
| CN113938209B (zh) | 一种针对概率整形的脉冲幅度调制信号的整形方法及系统 | |
| Guo et al. | Digital-SC: Digital Semantic Communication with Adaptive Network Split and Learned Non-Linear Quantization | |
| Bao et al. | sDAC--Semantic Digital Analog Converter for Semantic Communications | |
| Chen et al. | Semantic-empowered visible light communication for image transmission based on deep convolutional generative adversarial network | |
| Ribouh et al. | SEECAD: Semantic End-to-End Communication for Autonomous Driving |
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 |