大氣湍流與像差效應(yīng)導(dǎo)致渦旋光束波前失真，制約其在光通信中的應(yīng)用。本文提出基于深度可分離卷積的神經(jīng)網(wǎng)絡(luò)模型(SepNet)，實(shí)現(xiàn)對(duì)渦旋光束拓?fù)浜蓴?shù)((m))和球差系數(shù)((kC_4))的同步識(shí)別。實(shí)驗(yàn)表明，在弱湍流((C_n^2=10^{-16}~m^{-2/3}))和中等強(qiáng)度湍流((C_n^2=10^{-15}~m^{-2/3}))中傳輸2000~4000 m時(shí)，識(shí)別準(zhǔn)確率均達(dá)100%;強(qiáng)湍流((C_n^2=10^{-14}~m^{-2/3}))中傳輸3000 m時(shí)，拓?fù)浜蓴?shù)識(shí)別率仍為100%，球差系數(shù)識(shí)別率超99.5%。SepNet模型對(duì)未訓(xùn)練湍流強(qiáng)度的光斑圖像表現(xiàn)出良好泛化能力，為自由空間光通信系統(tǒng)設(shè)計(jì)提供了重要參考。

　　一、引言

　　光學(xué)渦旋光束(OVB)因其軌道角動(dòng)量(OAM)特性在光通信中具有高容量?jī)?yōu)勢(shì)，但大氣湍流和像差(如球差)會(huì)導(dǎo)致波前失真，傳統(tǒng)干涉/衍射檢測(cè)方法面臨挑戰(zhàn)。深度學(xué)習(xí)在圖像處理領(lǐng)域的優(yōu)勢(shì)為解決這一問(wèn)題提供了新思路。現(xiàn)有研究多忽略激光器實(shí)際運(yùn)行中的像差影響，本文針對(duì)攜帶球差的渦旋光束在湍流中的傳輸問(wèn)題，提出SepNet模型，實(shí)現(xiàn)拓?fù)浜蓴?shù)和球差系數(shù)的聯(lián)合識(shí)別。

　　二、大氣湍流中的渦旋光束傳輸

　　2.1 仿真理論

　　采用分步隨機(jī)相位屏模擬湍流傳輸，攜帶球差的渦旋光束初始光場(chǎng)為：

　　[

　　U(x, y, z=0)=expleft(-frac{x^2+y^2}{w_0^2}+frac{ikC_4(x^2+y^2)^2}{w_0^4} ight)exp(imvarphi)

　　]

　　其中，(w_0=0.01~m)為束腰半徑，(kC_4)為球差系數(shù)，(m)為拓?fù)浜蓴?shù)。傳輸過(guò)程中通過(guò)角譜傳遞理論和隨機(jī)相位屏引入湍流擾動(dòng)，光場(chǎng)分布經(jīng)傅里葉變換和相位屏調(diào)制后迭代計(jì)算。

　　2.2 隨機(jī)相位屏生成

　　基于Kolmogorov模型生成相位屏，功率譜密度為：

　　[

　　Phi(k_x,k_y)=0.033C_n^2(k_x^2+k_y^2)^{-11/6}

　　]

　　其中，(C_n^2)為湍流強(qiáng)度，(L_0)和(l_0)分別為湍流外尺度和內(nèi)尺度。仿真結(jié)果表明，球差系數(shù)增大導(dǎo)致光束聚焦能力下降，拓?fù)浜蓴?shù)增加使光場(chǎng)中心暗斑半徑擴(kuò)大(圖1)。

　　三、SepNet網(wǎng)絡(luò)架構(gòu)

　　SepNet模型結(jié)構(gòu)如圖2所示，包含輸入層、初始卷積層、深度可分離卷積層、后置卷積層、自適應(yīng)全局池化層和全連接層：

　　1. 初始卷積層：兩層卷積(3×3核，步長(zhǎng)1/2)提取基礎(chǔ)特征，搭配BN層和ReLU激活函數(shù)。

　　2. 深度可分離卷積層：三個(gè)重復(fù)模塊，通過(guò)深度卷積和逐點(diǎn)卷積分離空間和通道操作，引入跳躍連接緩解梯度消失。

　　3. 后置卷積層：提取高級(jí)語(yǔ)義特征，保持通道數(shù)512不變。

　　4. 自適應(yīng)全局池化層：將特征圖壓縮為1×1向量，保留關(guān)鍵信息。

　　5. 全連接層：雙分支輸出拓?fù)浜蓴?shù)和球差系數(shù)，引入Dropout抑制過(guò)擬合。

　　四、實(shí)驗(yàn)結(jié)果與分析

　　4.1 數(shù)據(jù)集構(gòu)建

　　共生成16000張光斑圖像(8:1:1劃分訓(xùn)練/驗(yàn)證/測(cè)試集)，采用Adam優(yōu)化算法(初始學(xué)習(xí)率0.001)和動(dòng)態(tài)學(xué)習(xí)率調(diào)度器訓(xùn)練模型。

　　4.2 模型識(shí)別性能

　　4.2.1 收斂性與準(zhǔn)確率

　　在中等強(qiáng)度湍流((C_n^2=10^{-15}~m^{-2/3}))中傳輸3000 m和4000 m時(shí)，模型損失值快速降至趨近于0，準(zhǔn)確率穩(wěn)定在100%(圖3)。拓?fù)浜蓴?shù)因特征差異顯著，收斂速度快于球差系數(shù)。

　　4.2.2 傳輸距離與湍流強(qiáng)度的影響

　　傳輸距離：湍流強(qiáng)度固定為(10^{-15}~m^{-2/3})時(shí)，傳輸2000~4000 m，拓?fù)浜蓴?shù)和球差系數(shù)識(shí)別準(zhǔn)確率均為100%(圖4(a))。

　　湍流強(qiáng)度：傳輸距離3000 m時(shí)，弱湍流((10^{-16}~m^{-2/3}))和中等湍流((10^{-15}~m^{-2/3}))下識(shí)別率達(dá)100%;強(qiáng)湍流((10^{-14}~m^{-2/3}))時(shí)，拓?fù)浜蓴?shù)識(shí)別率仍為100%，球差系數(shù)識(shí)別率略降為99.5%以上(圖4(b))。

　　4.2.3 模型對(duì)比

　　與ResNet18、ResNet34、Xception相比，SepNet在球差系數(shù)識(shí)別中優(yōu)勢(shì)顯著。例如，強(qiáng)湍流((10^{-14}~m^{-2/3}))下，SepNet對(duì)(kC_4)的F1-score為99.56%，高于ResNet34(98.63%)和Xception(96.07%)(表1)。擴(kuò)大拓?fù)浜蓴?shù)范圍至[1.1,7.0]后，SepNet對(duì)(kC_4)的識(shí)別性能仍優(yōu)于其他模型(表2)。

　　4.3 泛化能力測(cè)試

　　使用未訓(xùn)練湍流強(qiáng)度((2 imes10^{-15}~m^{-2/3})至(9 imes10^{-15}~m^{-2/3}))的光斑圖像測(cè)試發(fā)現(xiàn)：

　　當(dāng)模型加載強(qiáng)湍流((10^{-14}~m^{-2/3}))訓(xùn)練權(quán)重時(shí)，對(duì)中等湍流測(cè)試集識(shí)別性能穩(wěn)定(圖6);

　　加載中等湍流((5 imes10^{-15}~m^{-2/3}))權(quán)重時(shí)，模型對(duì)相近湍流強(qiáng)度測(cè)試集表現(xiàn)良好(圖7);

　　加載弱湍流((10^{-15}~m^{-2/3}))權(quán)重時(shí)，復(fù)雜光斑圖像識(shí)別率下降(圖5)，表明實(shí)際應(yīng)用中需優(yōu)先選擇湍流強(qiáng)度匹配的訓(xùn)練權(quán)重。

　　五、結(jié)論

　　本文提出的SepNet模型通過(guò)深度可分離卷積有效提取光斑圖像特征，實(shí)現(xiàn)了大氣湍流中渦旋光束拓?fù)浜蓴?shù)和球差系數(shù)的高精度識(shí)別。在強(qiáng)湍流條件下((C_n^2=10^{-14}~m^{-2/3}))，模型表現(xiàn)優(yōu)于傳統(tǒng)深度學(xué)習(xí)架構(gòu)，且對(duì)未訓(xùn)練湍流場(chǎng)景具有泛化能力。未來(lái)可引入注意力機(jī)制和多元場(chǎng)景測(cè)試，進(jìn)一步提升模型在復(fù)雜大氣環(huán)境中的魯棒性。

如果您現(xiàn)在遇到期刊選擇、論文內(nèi)容改善、論文投稿周期長(zhǎng)、難錄用、多次退修、多次被拒等問(wèn)題，可以告訴學(xué)術(shù)顧問(wèn)，解答疑問(wèn)同時(shí)給出解決方案 。