1.基于衍射深度神经网络识别高阶连续OAM模式的方法,其特征在于,包括有如下步骤:
步骤1,通过数值仿真得到经过大气湍流扰动后的光场复振幅矩阵,建立数据集;
步骤2,设计并搭建基本的衍射深度神经网络结构,对步骤1中得到的训练数据进行数据预处理,并将其送入到本步骤中设计好的基本衍射深度神经网络中进行模型训练;
步骤3,设计并搭建识别高阶连续OAM模式的衍射深度神经网络,并利用测试集测试效果。
2.根据权利要求1所述的基于衍射深度神经网络识别高阶连续OAM模式的方法,其特征在于,步骤1按照以下具体步骤实施:
步骤1.1,基于功率谱反演法,实现大气湍流随机相位屏的数值模拟;
步骤1.2,在柱坐标系下,确定拉盖尔-高斯光束的光场表达式,具体为:
式中,r,φ,z为柱坐标,zR=πw0/λ是瑞利距离,λ为波长,w(z)是拉盖尔-高斯光束在z处的光束半径;为缔合拉盖尔多项式,k为空间波数,p为径向指数,l为拓扑荷,i为虚数;
步骤1.3,根据菲涅耳原理,光束电场为U(x,y,z)的光束在大气湍流中传输Δz距离后,其中电场函数U(z+Δz,x,y)表示为:式中,x,y,z为直角坐标系,IFFT为傅里叶逆变换,为菲涅耳传输系数,i为虚数,k为空间波数,kx和ky代表x、y方向上的空间频率,为大气湍流随机相位屏;
步骤1.4,将步骤1.2中拉盖尔-高斯光束的光场表达式作为1.3中的U(x,y,z)代入到公式(4)中,得到具体的经大气湍流扰动后的拉盖尔-高斯光束光场表达式;通过改变具体经大气湍流扰动后的拉盖尔-高斯光束光场表达式中拓扑荷l的大小,生成经大气湍流扰动后的拓扑荷l为-50~+50且不包含0的光场复振幅矩阵构造成数据集。
3.根据权利要求2所述的基于衍射深度神经网络识别高阶连续OAM模式的方法,其特征在于,步骤1.1按照以下具体步骤实施:
步骤1.1.1,选择修正的Hill大气折射率功率谱密度函数Φn(k),其表达式为:
式中,k为空间波数,k=2π/λ,λ为波长,k的取值范围为0≤k≤∞;为大气折射率结构常数,的取值为1×10-16m-2/3、1×10-15m-2/3、1×10-14m-2/3时分别对应弱、中、强大气湍流;式(1)中其他参数分别为:kl=3.3/l0,l0为内尺度湍流;k0=1/L0或2π/L0,L0为外尺度湍流;a1=1.802、a2=0.254;
步骤1.1.2,获得基于功率谱反演法的大气湍流随机相位屏,具体为:
首先,生成一个复高斯随机矩阵CN×N,然后利用修正的Hill大气折射率功率谱密度函数Φn(k)对其进行滤波,最后通过傅里叶逆变换获得大气湍流随机相位屏这一过程用公式表达为:式中,x,y是位置坐标,IFFT为傅里叶逆变换,N和Δx分别表示相位屏的采样点数和取样间隔,CN×N是均值为0、方差为1的复高斯随机矩阵,k为空间波数,Δd为相位屏间距,Φn(k)为修正的Hill大气折射率功率谱密度函数。
4.根据权利要求2所述的基于衍射深度神经网络识别高阶连续OAM模式的方法,其特征在于,步骤1.4中,构造的数据集中按照8:2的比例划分成训练集和测试集,测试集和训练集都保存为.mat格式。
5.根据权利要求2所述的基于衍射深度神经网络识别高阶连续OAM模式的方法,其特征在于,步骤2按照以下具体步骤实施:
步骤2.1,设计并搭建衍射深度神经网络,该网络结构包括L层衍射层,每层衍射层包含w×w个节点,各衍射层中的每一个节点均与下一层相连;
其中,根据瑞利-索莫斯衍射理论,衍射深度神经网络中的每一层的每一个节点视为二次光源,点光源满足以下公式:
其中x,y,z为直角坐标系,L为网络层数,λ为波长,i为虚数,s表示该层共w×w个节点中的第s个节点,设第s个节点的坐标为(xs,ys,zs),rs为光源到第s个节点的距离,表示为L层第s个节点的输出由节点输入光和透射系数共同决定,其表达式下:其中,为上一层入射光即L-1层到达L层第s个节点的光场叠加,v为L-1层共w×w个节点的第v个节点,|A|为二次波的透射系数调制的相对振幅,Δθ为透射系数附加的相位延迟,透射系数包含振幅和相位两部分,表示为:其中,为振幅项,为相位项,设计的D2NN网络结构为纯相位型网络,为了简化上述正向传播模型的符号,将Eq.(6)改写为:
其中,q表示下一层第q个节点,为L层输入,为L层点光源满足的瑞利-索莫斯衍射理论,为上一层入射光到达L层第s个节点的光场叠加,网络输入层复振幅表示为经衍射传输后,得到第一层输入经过M层传输,在M+1层探测平面上,接收到的光场强度表示为:D2NN损失函数设定为接收到的光强与理想光强之间的均方差:
其中,K为输出平面上测量点的个数,为理想光强分布;通过损失反向传播及梯度下降算法对网络进行训练,训练的目的是固化衍射层各点的透射系数,表示为:步骤2.2,在开始训练前按要求加载步骤1.4中建立的训练集和测试集,将经大气湍流扰动后得到的拓扑荷l为-50~+50且不包含0的全部训练和测试的.mat数据集设置为每10种拓扑荷为一大类,即l为-50~-41为一类,-40~-31为一类,-30~-21为一类,-20~-11为一类,-10~-1为一类,1~10为一类,11~20为一类,21~30为一类,31~40为一类,41~50为一类,共10类;将上述设置好分类的经大气湍流扰动后的光场复振幅矩阵数据集的大小设为250×250,并将其转换为tensor格式,以.npy形式保存训练以及测试数据和标签,将上述处理好的数据称为粗分类数据;
设置步骤2.1中的可测量点K=10,即一次检测10个类别,具体设置为:在同一平面一共设置三行,上下各三个测量点,中间四个测量点;按照从上到下,从左到右的顺序规定每十类拓扑荷且不包括0为一大类,即这十类拓扑荷为一个类别,最终显示在同一个测量点上,第一个测量点代表拓扑荷l为-50~-41,第二个测量点代表拓扑荷l为-40~-31,每个测量点代表十个拓扑荷l,以此类推,最后一个测量点代表拓扑荷l为41~50;将步骤2.2中处理好的粗分类数据输入到步骤2.1中的衍射深度神经网络模型中进行训练,设置批数量batch_size=128,学习率learning rate=0.003,利用均方值误差损失函数MSELoss计算网络的输出值与目标值之间的误差,通过不断迭代优化网络模型参数,迭代20~30次后保存训练后的粗分类权重模型,将使用粗分类数据作为训练数据集的网络模型称之为粗分类模型;
步骤2.3,在开始训练前按要求加载步骤1.4中建立的经大气湍流扰动后得到的拓扑荷l为-50~-41的训练集和测试集,将上述数据集的大小设为250×250,并将其转换为tensor格式,以.npy形式保存训练以及测试数据和标签,将上述处理好的数据称为细分类数据D1;设置步骤2.1中的可测量点K=10,即一次检测10个类别,具体设置为:在同一平面一共设置三行,上下各三个测量点,中间四个测量点;按照从上到下,从左到右的顺序规定每一个测量点代表一种拓扑荷,第一个测量点代表拓扑荷l为-50,第二个测量点代表拓扑荷l为-49,以此类推;将上述处理好的细分类数据D1输入到步骤2.1中的衍射深度神经网络模型中进行训练,设置批数量batch_size=128,学习率learning rate=0.003,利用均方值误差损失函数MSELoss计算网络的输出值与目标值之间的误差,通过不断迭代优化网络模型参数,迭代90~100次后保存训练后的细分类权重模型,将使用细分类数据D1作为训练数据集的网络模型称之为细分类模型F1;
对于步骤1.4中建立的经大气湍流扰动后得到的拓扑荷l分别为-40~-31、-30~-21、-20~-11、-10~-1、1~10、11~20、21~30、31~40、41~50的训练集和测试集,大小都设为250×250,并转换为tensor格式,以.npy形式保存训练以及测试数据和标签,将上述处理好的数据分别称为细分类数据D2–D10;每个细分类数据的输出平面都将步骤2.1中的可测量点K设置为10,即一次检测10个类别,具体设置为:在同一平面一共设置三行,上下各三个测量点,中间四个测量点;按照从上到下,从左到右的顺序规定每一个测量点代表一种拓扑荷;将上述处理好的细分类数据D2–D10依次输入到步骤2.1中的衍射深度神经网络模型中进行训练,设置批数量batch_size=128,学习率learning rate=0.003,利用均方值误差损失函数MSELoss计算网络的输出值与目标值之间的误差,通过不断迭代优化网络模型参数,对细分类数据D5和D6,迭代40~50次,细分类数据D1~D4、D7~D10迭代90~100次后分别保存训练后的细分类权重模型;将使用细分类数据D2作为训练数据集的网络模型称之为细分类模型F2、使用细分类数据D3作为训练数据集的网络模型称之为细分类模型F3,不同的细分类数据分别对应着不同的细分类模型,以此类推,使用细分类数据D10作为训练数据集的网络模型称之为细分类模型F10。
6.根据权利要求2所述的基于衍射深度神经网络识别高阶连续OAM模式的方法,其特征在于,步骤3按照以下具体步骤实施:
步骤3.1,设计并搭建识别高阶连续OAM模式的衍射深度神经网络,包含两个模块:粗分类器和细分类器;
步骤3.2,加载步骤1.4中划分的测试集,将生成得到的所有经大气湍流扰动后的光场复振幅矩阵的测试集的大小设置为250×250,并将其转换为tensor格式;
步骤3.3,载入步骤2.2的粗分类权重模型及2.3的10个细分类权重模型,将步骤3.2中的测试数据输入到步骤3.1中设计好的网络模型对OAM模式进行识别,并利用平均测试准确率作为评价指标,平均测试准确率越高证明该网络的识别效果越好。
7.根据权利要求6所述的基于衍射深度神经网络识别高阶连续OAM模式的方法,其特征在于,步骤3.1中,高阶连续OAM模式的衍射深度神经网络的具体流程为:输入步骤3.2中经大气湍流扰动后得到的LG光束光场复振幅矩阵——经过粗分类器——根据粗分类器的分类结果判断接下来使用哪一个细分类器——选择对应的细分类器——再次输入上述步骤3.2中经大气湍流扰动后得到的LG光束光场复振幅矩阵——经过上述选择的细分类器——根据细分类器的分类结果最终确定该OAM的模式具体是多少。
8.根据权利要求7所述的基于衍射深度神经网络识别高阶连续OAM模式的方法,其特征在于,步骤3.1中,粗分类器包含粗分类模型的L层衍射层以及输出平面的10个光强探测器,具体功能为:在输出平面放置10个光强探测器探测光强,光束经过粗分类模型的L层衍射层对光束本身进行相位调制,最终根据输出平面哪个光强探测器的光强最强,判断该光束属于哪一模式范围;
细分类器包含10个细分类模型F1~F10,每个细分类模型都包含L层衍射层以及输出平面的10个光强探测器,具体功能为:在输出平面放置10个光强探测器探测光强,光束经过细分类模型的L层衍射层对光束本身进行相位调制,最终根据输出平面哪个光强探测器的光强最强,判断该光束具体属于哪一模式。