基于机器学习检测相位畸变后的涡旋光束轨道角动量

针对涡旋光受大气湍流而产生的相位畸变问题,设计了卷积神经网络检测涡旋光束轨道角动量态。将相位畸变的拉盖尔高斯涡旋光光强图像作为样本数据输入,网络利用输入的数据集进行自主学习,经过多次迭代能够精确检测出光束高阶轨道角动量信息。仿真结果表明:在大气湍流强度不确定的情况下,模型对轨道角动量态范围为1~40、1~100、1~160的涡旋光束检测准确率分别为94%、90%、86%;在不同传输距离、不同径向指数、不同基模束腰半径以及不同波长下轨道角动量态范围为1~100的涡旋光束的检测准确率均达到78%以上,且具有很好的鲁棒性。该方法检测精度高、范围广、移植性强,可为涡旋光束轨道角动量态的检测与识别提供一种新思路。

基于信息后处理的OAM态成分检测方法及应用

为了有效提升轨道角动量(OAM)态的检测效率,提出一种基于快速傅里叶变换(FFT)的OAM态成分检测方法.在马赫曾德尔干涉仪2臂上加入道威棱镜,其中一个道威棱镜设置为0,另一个道威棱镜设置为0～180°旋转,以接收干涉总光强,并对总光强进行FFT,从而在FFT域中提取OAM态的成分信息.数值仿真结果表明,该方法可有效地实施单个OAM态和复用OAM态的成分检测.不同于传统OAM态的检测方法,本方法可同时获取对FFT域设定子区间内总能量的判决.当该方法被应用于OAM通信系统时,能直接判决各OAM态信息,显著减小系统噪声对OAM复用通信性能的影响.