基于卷积神经网络的高阶复合LG光束的OAM模式识别

针对复杂大气湍流干扰、径向指数不为零的高阶复合拉盖尔-高斯(LG)光束模式识别准确率低的问题,提出一种基于卷积神经网络(CNN)的高阶复合LG光束的轨道角动量(OAM)模式识别方法,构建了一种基于CNN的OAM模式识别模型来研究复杂大气湍流条件下不同波长、不同传输距离对径向高阶复合LG光束模式识别准确率的影响。仿真结果表明:在复杂大气湍流情况下,当传输距离为1 km,CNN训练100次后,波长分别为850、1310、1550 nm的高阶复合LG光束模式识别准确率均达到98.8%以上;当波长为1550 nm,传输距离分别为1、2、3 km时,该模型的模式识别准确率均达到86.8%以上。

基于GS算法的多贝塞尔高斯光束畸变波前校正方法

针对大气湍流干扰下的多贝塞尔高斯光束畸变波前矫正研究场景单一的问题,提出了基于盖师贝格-塞克斯顿(GS)算法的多贝塞尔高斯光束畸变波前校正方法,采用功率谱反演法得到各向异性大气湍流相位屏,并仿真分析了异号拓扑、同号拓扑2种多贝塞尔高斯光束在3种不同大气湍流折射率结构常数影响下的畸变波前校正情况。仿真结果表明:该方法对2种多贝塞尔高斯光束在校正后的目标轨道角动量(OAM)模式纯度均能提高12%以上,OAM谱的弥散也能得到有效抑制。