关键词:
深度学习
轨道角动量
模态识别
大气湍流
摘要:
随着信息时代的快速发展,人们对通信容量的需求不断攀升,提高通信系统的通信容量,成为目前亟待解决的问题。带有轨道角动量的涡旋光束为解决通信容量提供了新的途径,涡旋光束在不同模态间会表现出正交特性,通过在特定的频率或波长上调整模态值,理论上可以生成无限多涡旋光束,承载并传递信息,提升通信容量。
在自由空间中传播的涡旋光束会受到大气湍流的影响,螺旋相位产生扭曲,造成模态间的互相干扰,降低通信系统的可靠性。深度学习通过构建多层网络,获得数据信息的多层特征表示,可以更好地理解和分析图像。相较于传统的模态检测方法,基于深度学习的检测方式,不仅可以克服实际设备的物理限制,还能够达到更高的检测精度。近年来,研究学者采用深度学习检测模态取得显著进展,王子坤与周洪平等人分别使用Res Net50与Shuffle Net V2网络进行模态检测,在中等湍流下,模态检测准确率可以达到93.5%与97.2%,但在强湍流条件下,模态检测效果还有待进一步提升。因此本文基于深度学习对强湍流下的涡旋光模态识别算法展开研究,在拉盖尔-高斯光束经过弱湍流(C_n2(28)1×10-1 5m-2 3)、中等湍流(C_n2(28)1×10-1 4m-2 3)、较强湍流(C_n2(28)3×10-1 4m-2 3)和强湍流(C_n2(28)5×10-1 4m-2 3)传输2000 m的条件下,采用深度学习对拉盖尔-高斯光束的本征态和叠加态进行检测识别,主要研究内容和成果如下。
1.将简单无参注意力机制(SimAM)引入到ConvNeXt网络的逆瓶颈结构中,构建简单无参注意力卷积神经网络(S-ConvNeXt)。ConvNeXt网络超越Vision Transformer,在相同计算量下,能够以更快的运行速度、更高的准确率完成图像分类,因此本文选择ConvNeXt网络作为基础架构;SimAM在仅保留原始网络参数,不额外添加其它参数的情况下,通过能量函数生成特征图的三维注意力权重,对重要特征赋予更高的权重;将SimAM引入到ConvNeXt网络中,构建S-ConvNeXt网络,该网络有利于提取关键亮斑特征,提高模态检测准确率,尤其在强湍流下表现更佳。当光束4种湍流强度传输2000 m后,本征态检测准确率分别为100%、98.8%、96.4%和89.7%,叠加态检测准确率分别为100%、99.8%、98.8%和96.5%。在强湍流下,S-ConvNeXt网络本征态检测准确率比Res Net50、Shuffle Net V2、ConvNeXt网络分别提高5.7%、3%、1.2%,叠加态检测准确率比Res Net50、Shuffle Net V2、ConvNeXt网络分别提高5.7%、4%、0.9%。
2.构建适用于移动端的多尺度轻量级网络(R-MobileViT)。MobileViT网络采用融合CNN和Transformer的混合架构,有助于网络加快运行速度,因此本文选择MobileViT网络作为基础架构;感受野模块(RFB)可以扩大卷积感受野,加强网络特征提取能力;在MobileViT网络中加入RFB模块,并用参数数量较少、特征学习更有针对性的深度卷积取代MobileViT模块中的普通卷积,构建兼顾精度与速度的R-MobileViT网络。当光束经过4种湍流强度传输2000 m后,本征态检测准确率分别为100%、97.9%、96%和88.2%,叠加态检测准确率分别为100%、99.5%、98.5%和95%。在较强湍流下,R-MobileViT网络本征态检测准确率比Shuffle Net V2、MobileViT网络分别提高2.4%、1.6%,每轮训练时间分别缩短0.66 s、0.44 s;叠加态检测准确率比Shuffle Net V2、MobileViT网络分别提高1.4%、1%,每轮训练时间分别缩短0.63 s、0.52 s。
3.最后构造叠加态涡旋光束编译码通信系统,使用本文提出的R-MobileViT网络进行模态检测,在传输距离为2000 m、4种湍流强度下,误码率分别为0%、1.13%、2.25%和6.25%,,误比特率分别为0%、0.53%、1.28%和3.06%,证明了轨道角动量光通信系统的可靠性。