【技术实现步骤摘要】
本专利技术涉及湍流强度检测，更具体地说，特别涉及一种基于领域自适应的oam叠加模态识别及湍流强度检测方法。
技术介绍
1、fso是一种利用大气作为传输介质的无线光通信技术，因其高带宽、高保密性和低延迟等优势，在城市通信、宽带接入、数据中心互连等领域显示出巨大的应用潜力。1992年，allen等证明了具有螺旋波前exp(ilφ)的涡旋光束携带有轨道角动量(orbital angularmomentum，oam)，其中l为oam态或拓扑荷数，可为任意整数，φ为角向坐标。理论上，oam可提供无限多的具有不同模态的正交基，各阶次间彼此正交。根据此特性，oam光束通常被用作在fso中的光载波传输数据，可以用于提升fso的通信容量和频带利用率。由于oam的正交性，一束激光中可以同时包含多个不同的oam成分，叠加态的oam会呈现出不一样的光斑图像。然而，大气湍流是影响fso系统性能的关键因素之一。湍流是一种普遍存在于自然界中的复杂流体运动现象，大气中的湍流的强度和特性直接影响着空气中折射率的变化，引起光束的抖动、发散和闪烁，导致信号衰减、误码率增加，甚至通信中断。因此，针对大气湍流动态信道下，oam光束的准确识别和湍流强度的实时检测对于优化fso系统设计、提高通信质量和可靠性具有至关重要的意义。
2、当前较为成熟的oam模态感知方法主要是通过干涉和衍射的相关特性来反推oam的模式成分和分布。然而，由于光学系统性能和光学器件分辨率等参数的限制，对宽oam模式范围的多模混合光束的模式识别和oam谱测量较为困难，且识别速率较低。特别是在
3、随着计算能力的显著提升和人工智能技术的发展，利用机器学习和图像处理技术进行湍流强度识别已成为可能。这些技术能够处理大量的遥感数据，自动识别湍流特征，提供更为精确和全面的湍流分析。2018年，北京邮电大学的李进等人提出了一种利用卷积神经网络(conventional neural network，cnn)实现大气湍流探测及自适应解调的方案，在仿真的强湍流链路中，可实现99.8％的探测正确率。2022年，长春理工大学的郑崇辉等人提出了一种深度迁移学习方法识别轨道角动量光束的方法，在弱湍流和中湍流环境下均获得了90％以上的识别率。通过与传统深度学习方式的对比，证明了在弱、中湍流环境中在保持较高识别率的前提下可以减少训练时间。
4、在现有的自由空间光通信(free space optical communication，fso)系统中，尽管信道估计和湍流强度识别技术已经取得了显著进展，但在动态和复杂多变的大气湍流环境中，仍然存在一些挑战和局限性。传统的光束识别方法可能无法实时准确地捕捉到快速变化的信道条件，尤其是在高湍流强度的环境中。此外，现有的光束识别技术往往针对单一模式，面对叠加态的oam光束可能缺乏足够的灵活性和适应性，难以应对多变的大气条件和光束传播特性。因此，针对动态湍流强度条件下，叠加态oam光束的识别及湍流强度检测问题，有必要开发一种基于领域自适应的oam叠加模态识别及湍流强度检测方法，以实现更快速、更精确的叠加模态识别和湍流强度检测。
技术实现思路
1、本专利技术的目的在于提供一种基于领域自适应的oam叠加模态识别及湍流强度检测方法，以克服现有技术所存在的缺陷。
2、为了达到上述目的，本专利技术采用的技术方案如下：
3、一种基于领域自适应的oam叠加模态识别及湍流强度检测方法，包括以下步骤：
4、s1、接收光强图片，并将所述光强图片输入至预训练的多任务神经网络模型；
5、s2、基于所述多任务神经网络模型识别oam光束叠加模态并检测当前的湍流强度。
6、进一步地，所述多任务神经网络模型的训练步骤为：
7、利用低频补偿后的相位屏模拟光信号在大气湍流中的传输过程，以生成不同湍流强度、不同传输距离和不同oam模态的光强图像的数据集；
8、将所述数据集的数据格式设定为统一的rgb图像并进行相应的归一化和降噪的预处理，按照设定比例将所述数据集划分为训练集、验证集和测试集；
9、采用卷积神经网络对所述训练集进行训，学习单拓扑荷oam光束的传输特征，并通过领域自适应的迁移学习方式让网络学习到不同拓扑荷数的oam光束传输特征，并采用验证集和测试集进行验证和测试。
10、进一步地，所述多任务神经网络模型包括输入层、特征提取层、分类器、回归器、领域判别器和输出层，所述输入层用于输入包括收光强图像以及其相应的湍流强度和oam模态两组标签的数据，所述特征提取层采用卷积神经网络，包括多个卷积模块，其卷积核大小为3*3，padding＝1，stride＝1，卷积块中的每一个卷积操作后面都进行批归一化bn处理和使用relu激活函数，并且使用2*2的最大池化层，在卷积层后计算源域和目标域特征的mmd距离，源域为单拓扑荷下的oam接收光斑图像，目标域为叠加态的oam接收光斑图像，并将该mmd距离作为损失函数的一部分进行优化，最小化两个领域特征分布之间的统计距离，实现特征空间的对齐，在特征提取层后设置适配层，在适配层的输出上计算领域判别损失来实现对抗性训练。
11、进一步地，所述在卷积层后计算源域和目标域特征的mmd距离的步骤具体包括：
12、使用映射函数φ将源域和目标域的数据映射到一个特征空间；
13、计算源域特征的均值和目标域特征的均值；
14、使用核函数计算公式计算源域和目标域特征的mmd值：
15、
16、式中，p和q分别是源域和目标域的分布，xi和yj分别是源域和目标域中的样本，φ是映射函数，n和m分别是源域和目标域样本的数量。
17、进一步地，所述领域判别器用于区分特征提取器输出的源域和目标域特征；
18、对于源域特征，所述领域判别器将其分类为源域，损失函数为
19、
20、对于目标域特征，所述域判别器将其分类为目标域，损失函数为
21、
22、其中，d是领域判别器，f是特征提取器，ps和pt分别是源域和目标域的分布，对抗性损失函数表示为：
23、
24、进一步地，所述输出层用于实现特征解耦，包括oam叠加模态识别及湍流强度检测，对于oam叠加模态识别任务，本文档来自技高网...
【技术保护点】
1.一种基于领域自适应的OAM叠加模态识别及湍流强度检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于领域自适应的OAM叠加模态识别及湍流强度检测方法，其特征在于，所述多任务神经网络模型的训练步骤为：
3.根据权利要求2所述的基于领域自适应的OAM叠加模态识别及湍流强度检测方法，其特征在于，所述多任务神经网络模型包括输入层、特征提取层、分类器、回归器、领域判别器和输出层，所述输入层用于输入包括收光强图像以及其相应的湍流强度和OAM模态两组标签的数据，所述特征提取层采用卷积神经网络，包括多个卷积模块，其卷积核大小为3*3，padding＝1，stride＝1，卷积块中的每一个卷积操作后面都进行批归一化BN处理和使用ReLU激活函数，并且使用2*2的最大池化层，在卷积层后计算源域和目标域特征的MMD距离，源域为单拓扑荷下的OAM接收光斑图像，目标域为叠加态的OAM接收光斑图像，并将该MMD距离作为损失函数的一部分进行优化，最小化两个领域特征分布之间的统计距离，实现特征空间的对齐，在特征提取层后设置适配层，在适配层的输出上计算领域判别损失来实现对
4.根据权利要求3所述的基于领域自适应的OAM叠加模态识别及湍流强度检测方法，其特征在于，所述在卷积层后计算源域和目标域特征的MMD距离的步骤具体包括：
5.根据权利要求3所述的基于领域自适应的OAM叠加模态识别及湍流强度检测方法，其特征在于，所述领域判别器用于区分特征提取器输出的源域和目标域特征；
6.根据权利要求3所述的基于领域自适应的OAM叠加模态识别及湍流强度检测方法，其特征在于，所述输出层用于实现特征解耦，包括OAM叠加模态识别及湍流强度检测，对于OAM叠加模态识别任务，使用softmax层进行分类；对于湍流强度检测任务，使用线性层进行回归，总的损失函数包括OAM模态识别的交叉熵损失、湍流强度检测的均方误差损失，MMD距离以及对抗性损失；
7.根据权利要求3所述的基于领域自适应的OAM叠加模态识别及湍流强度检测方法，其特征在于，在多任务神经网络模型训练过程中，交替优化特征提取器、分类器、回归器和领域判别器的参数，其步骤具体为：固定特征提取器和领域判别器，优化分类器和回归器的参数，以最小化分类损失和回归损失；固定特征提取器，优化领域判别器的参数，以最大化其区分源域和目标域特征的能力；固定领域判别器，优化特征提取器的参数，以最小化对抗性损失。
...【技术特征摘要】
1.一种基于领域自适应的oam叠加模态识别及湍流强度检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于领域自适应的oam叠加模态识别及湍流强度检测方法，其特征在于，所述多任务神经网络模型的训练步骤为：
3.根据权利要求2所述的基于领域自适应的oam叠加模态识别及湍流强度检测方法，其特征在于，所述多任务神经网络模型包括输入层、特征提取层、分类器、回归器、领域判别器和输出层，所述输入层用于输入包括收光强图像以及其相应的湍流强度和oam模态两组标签的数据，所述特征提取层采用卷积神经网络，包括多个卷积模块，其卷积核大小为3*3，padding＝1，stride＝1，卷积块中的每一个卷积操作后面都进行批归一化bn处理和使用relu激活函数，并且使用2*2的最大池化层，在卷积层后计算源域和目标域特征的mmd距离，源域为单拓扑荷下的oam接收光斑图像，目标域为叠加态的oam接收光斑图像，并将该mmd距离作为损失函数的一部分进行优化，最小化两个领域特征分布之间的统计距离，实现特征空间的对齐，在特征提取层后设置适配层，在适配层的输出上计算领域判别损失来实现对抗性训练。
4.根据权利要求3所述的基于领域自适应的o...
【专利技术属性】
技术研发人员：朱旭，雷兵，陈雅迪，夏文超，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。