基于神经网络与随机森林的涡旋光分类算法

在光通信领域中,应用涡旋光可以大幅度提高光通信容量。但在实际的通信环境中,气候因素往往导致涡旋光经过散射介质形成散斑,大大影响涡旋光通信过程中的实际效果,而散斑图像识别分类涡旋光拓扑荷数对涡旋光作用在光通信中意义极大。将对两束涡旋光通过散射介质成像后的散斑图像进行分析,对涡旋光的拓扑荷数和相位信息进行分类。首先使用神经网络提取特征并进行机器学习,对两束涡旋光的拓扑荷数和相位信息等四个指标分别进行分类。然后尝试使用ResNext网络提取特征并向其中加入随机森林算法。最后实现了散斑图像中每个指标均超过99%的准确率以及同时满足四个指标98.5%的准确率。