基于衍射深度神经网络的四相OAM相干复用解调实现

针对OAM通信系统中相干OAM复用光束的解调技术,提出了一种基于纯振幅型衍射深度神经网络(D^(2)NN)的OAM相干复用解调实现方法。通过数值实验研究了D^(2)NN解调器对四相OAM相干复用波束的解调性能,使用误码率(BER)对其性能进行了表征。为了降低D^(2)NN解调的误码率,提出了一种改进的OAM选择策略。并与纯相位型D^(2)NN解调器进行性能对比,仿真实验结果表明,该方法对四相OAM相干复用波束具有较高的解复用和解调精度有着明显优势,为OAM相干复用通信提供了一种灵活的实时解调方法。

衍射深度神经网络下轨道角动量态的校正

衍射深度神经网络(D2NN)通过无源衍射层的深度学习,可实现快速高效的深度学习功能。利用多组不同湍流强度干扰下的轨道角动量(OAM)态和目标OAM态组成的训练数据集对设计的D2NN网络组件进行训练,更新和优化组件中各参数,直到由D2NN输出的OAM态与目标OAM态的平方误差损失函数达到预定的阈值,便可获得实现高速、高精度的OAM波前校正的D2NN组件。测试结果表明:D2NN迭代次数、衍射层数、训练参数的选择会对组件的校正速度和准确度产生影响,通过D2NN可以实现受大气湍流干扰的OAM态的高精度校正;当大气湍流强度为10^(-14) m^(-2/3)、D2NN网络层层数为8时,组件性能最佳,其损失函数相比5层网络层的D2NN降低超过45.45%;而对于更强大气湍流的干扰,可以通过增加网络训练时的迭代次数来提高校正的准确度,迭代20次后损失函数的值降低率达到98.03%;对于湍流强度较弱的干扰,训练时采用纯相位参数,组件的性能更优;而对于强湍流的干扰,训练时采用相位参数与振幅参数两者相结合的方法,组件的性能更优;除此之外,OAM态的拓扑荷值越小,校正后的失真度越小。

基于10.6μm波长的小型化非线性全光衍射深度神经网络建模方法

提出了一种基于10.6μm波长的小型化非线性全光衍射深度神经网络建模方法。采用波长为10.6μm的二氧化碳(CO2)激光光源,其对应的神经网络物理尺寸为1mm×1mm,依据相关的光学物理参数特性,构建了基于10.6μm波长的非线性全光衍射深度神经网络模型框架,使用网格搜索法确定最优的神经网络模型超参数,并选择交叉熵损失函数和Adam优化器对神经网络进行了优化。分别在MNIST手写数字数据集和Fashion-MNIST数据集上对该方法进行了测试,其分类结果分别达到了0.9630和0.8743。所提方法为制备小型化的全光衍射光栅提供了理论参考。