基于深度学习的高保真全息轨道角动量通信方法

1.本发明涉及基于深度学习的高保真全息轨道角动量通信方法，属于深度学习、信息加密领域。


背景技术：

2.轨道角动量(oam)由于其螺旋相位波前和长距离无衍射的甜甜圈强度，在光学控制，计算全息，数据通信，超分辨率显微等各种应用中引起了越来越多的兴趣。携带oam的光束，也称为涡旋光束，可以用exp(ilφ)描述，其中表示方位角，拓扑电荷l是整数。拓扑电荷表示光束在一个螺旋螺距内的螺旋相位的周期数，包括相位。轨道角动量通信技术可以极大地提高通信系统信道的容量和效率。因此，在通信中，轨道角动量技术得到了快速的发展。随着技术的进步，单纯的轨道角动量的信道正在逐渐接近通信容量的上限，并且，由于其自由空间通信的开放性，使得其安全性也需要进一步提升。由于oam不同拓扑电荷之间的正交性，彼此之间相互不干扰，因此它可以提供无限的信息容量。这同时也促进了光通信和涡旋激光器等新应用。同时，oam在光学全息加密和存储中也起着至关重要的作用，并且在信息传输过程中可以具有很高的安全性和保真度。例如，轨道角动量加密的超表面全息图可以在不同的涡旋光束照射下重建多个图像。这大大拓展了轨道角动量通信的维度以及复杂性，因此保证了通信的信道容量和安全性。基于这些优点，它被进一步视为计算全息光通信的新自由度。然而，使用不同的轨道角动量在自由空间光学中作为编码，在解密过程中仍然面临其精度和计算时间和成本的挑战。在这种情况下，值得开发用于oam解读和光学安全应用的新颖技术。
3.深度学习(dl)是机器学习的一个重要分支。它通过构建多层网络模型，使众多神经元连接在一起来学习输入数据的复杂抽象特征。在许多领域，深度学习都有广泛的应用。比如dl成为提高光学显微成像分辨率，计算成像质量，逆向设计问题效率，全息图生成和重建，纳米材料结构分析和优化的先进技术的有效工具。通常，基于神经网络的深度学习具有学习复杂结构，特征提取等优势。因此，学习方法经常用于图像处理，无密钥解密，语义分割和识别和主动决策，图像分类等。但是，使用机器学习方法对超高效全息通信和信息传输进行解码仍处于起步阶段。


技术实现要素：

4.本发明的目的是提供一种基于深度学习的高保真全息轨道角动量通信方法，该方法首先在计算机生成的全息图(cgh)中对一系列具有不同拓扑电荷的oam进行编码。由oam编码的这种cgh可提高信息存储容量并确保高安全性。因此，单个加密的全息图将存储一个oam信息。一系列的oam信息可组合成数字序列或者灰度值信息。这样的加密方法使窃听者难以解密全息图信息，从而导致传输期间的安全性极高。序列化编码可以与加密的全息图一一对应。为清楚展示其在图像传输中的应用，在cgh编码过程中设置十六个不同的oam，分别十六进制数为0到15。(也可以设置其他任意组合的oam数，并且oam的拓扑电荷数可以是
任意的，甚至是分数阶)每两个全息图可以代表一组两个十六进制数字，相当于十进制的256位。也就是说，在发送端用两字节的十六进制数字将一系列灰度图像信息(0
‑
255)编码为全息图序列。借助于神经网络的强大的学习和泛化能力，在接收端，一方面可以由训练完善的全息重建网络(oam
‑
hrn)来重建被加密的全息图，得到高质量的重建像。另一方面，序列全息图作为一维十六进制数字通道携带的一系列拓扑电荷数(轨道角动量信息)被全息通信网络(oam
‑
hcn)读出。这样，便可以转换读出的轨道角动量信息以恢复成灰度图像。本发明提供的方法拓宽了全息通信的信道，并且通过oam编码的全息图在通信过程中具有出色的安全性和保真度。如附图1所示，展示了基于神经网络与oam编码的全息通信以及解密的示意图。
5.本发明目的是通过下述技术方案实现的。
6.基于深度学习的高保真全息轨道角动量通信方法，包括如下步骤：
7.步骤1)基于oam加密的计算全息图计算流程图如附图2(a)所示。通过改进常规gs算法将轨道角动量编码为密钥以及原始图像来产生全息图。将生成的全息图数据作为神经网络的训练集和测试集。其光学解密重建的过程可满足：
8.i(x,y)
∝
|f[h1(x0,y0)*oam1]|2[0009]
其中，f表达傅里叶变换操作，h1(x0,y0)为全息图，oam1是对应全息图的密钥，即轨道角动量信息。在实际的应用中，这个光学或计算重建的过程往往比较繁琐和复杂，时间成本较高。更重要的是，由于oam的加密作用，使得即便是窃密者得到全息图，也不能得到与之相对应的oam。因此其全息图重建后仍然不能得到有用的信息，该方法具有非常高的安全性。如附图3。
[0010]
步骤2)本发明建立了两个神经网络(全息重建网络oam
‑
hrn和全息通信网络oam
‑
hcn)，如附图2(b)。基于神经网络模型，由于设定的任务目标不同，因此这两个网络也分别承担不同的任务，以此具有更高的工作效率，更快的训练速度和模型精度。oam
‑
hrn用于解密全息图，oam
‑
hcn用于解读拓扑电荷信息。用于实现基于深度学习的高保真全息轨道角动量通信方法是一个或两个神经网络模型基于不同的任务目标构建的。根据步骤1)的生成的训练集和测试集以及训练任务目标来标定好监督标签数据；
[0011]
步骤3)依据步骤2)构建的深度学习模型和训练数据来训练神经网络模型。在训练过程中不断的调整模型的参数，直到收敛到全局最小值。全息重建网络oam
‑
hrn的误差函数为：
[0012][0013]
其中s
t
模型输出，y
t
为监督标签，n为全息图的数量。全息通信网络oam
‑
hcn的交叉熵函数为：
[0014][0015]
其中α模型分类精度，y为监督标签，n为全息图的数量。用测试集对模型进行测试，在本发明的模型中，当测试精度达到90％以上时，则认为满足实际需要，得到模型；若不满足条件，重复步骤三，重新对模型进行优化调整。最终训练好的模型能够对同类的数据具有较高的全息重建质量和轨道角动量信息解读具有同样高的精度，如附图4d所示。
[0016]
步骤4)随机选一幅灰度图像(如名人肖像)按照其灰度值(0
‑
255)变成一维数组对应一组拓扑电荷数，如附图5所示。将含有这些拓扑电荷信息的轨道角动量相位与随机选取的手写数字图片编码成加密的全息图。在接收端的接收方能够利用训练好的网络(oam
‑
hrn)重建高质量的全息图，而传统光学全息重建方法由于oam的加密则不能得到有用的信息。另外一个训练好的网络(oam
‑
hcn)能够按照接收全息图的顺利解读出其轨道角动量信息。再将其转换成灰度图像，达到加密传输通信的目的。
[0017]
有益效果：
[0018]
1、基于深度学习的高保真全息轨道角动量通信方法，基于神经网络和加密全息图实现。具有相比于传统光学方法更加高效率，高安全性，高保真度的优势。
[0019]
2、基于深度学习的高保真全息轨道角动量通信方法，作为一种全息通信方法能够进一步拓展通信容量和安全性。可以拓展到任意拓扑电荷数及分数阶拓扑电荷数和多种组合形式。
[0020]
3、基于深度学习的高保真全息轨道角动量通信方法，本方法扩展了全息通信的信道，提高了通信系统的安全性，可以在自由空间或者光纤中进行长距离传输。这种方法还可以用于其他光通信，鬼成像，图像识别等方面。
附图说明
[0021]
图1是本发明的基于深度学习的高保真全息轨道角动量通信方法中基于oam加密和深度学习的全息轨道角动量通信原理图。灰度图像信息由不同的oam编码为全息图序列。训练好的神经网络可以解密全息图并解读出轨道角动量信息以重建灰度图像；
[0022]
图2是本发明的基于深度学习的高保真全息轨道角动量通信方法中oam加密全息图和神经网络的示意图：(a)oam编码的计算机生成全息图的算法。(b)用于全息重建的oam
‑
hrn示意图；
[0023]
图3是本发明的基于深度学习的高保真全息轨道角动量通信方法中oam
‑
hrn测试结果：(a)训练的误差函数曲线。误差函数的值已取对数计算并展示。(b)计算原图，编码的全息图，使用菲涅耳衍射算法的传统重建结果以及使用oam
‑
hrn的全息图重建图；
[0024]
图4是本发明的基于深度学习的高保真全息轨道角动量通信方法中oam
‑
hcn训练和测试参数。(a)训练精度曲线。(b)训练误差函数曲线。(c)在接收机端，以名人图灵肖像作为灰度图像的全息通信测试的归一化混淆矩阵(准确率)。(d)接收端pepper图的全息通信灰度图像的全息通信测试的归一化混淆矩阵(准确率)。
[0025]
图5是本发明的基于深度学习的高保真全息轨道角动量通信方法中基于oam
‑
hcn的全息通信方法的测试结果。图像的每个灰度值(0
‑
255)都将转换为两字节的十六进制代码。所有代码都被视为轨道角动量序列。以这种方式，将oam序列以一定顺序加密成不同的全息图。训练好的oam
‑
hcn可以按照顺序解读全息图序列中的轨道角动量信息，再转换成灰度图像；
具体实施方式
[0026]
下面结合附图和实施例，对本发明方法做进一步详细说明。
[0027]
实施例1
[0028]
实施例公开的基于深度学习的高保真全息轨道角动量通信方法，过程如附图1所示，在任意波长的照明到全息图上便可携带全息图信息传输到接收端，具体实现方法如下：
[0029]
步骤一：基于oam加密的计算全息图的计算流程图如附图2(a)所示。通过改进常规gs算法将oam作为密钥以及来自常规的手写数字数据集(mnist)的原始图来计算加密的全息图。随机选取oam和随机选取的手写数字组合，这样便能够生成大量的加密全息图。本实施例中选取了手写数字10000张，不同拓扑电荷数的oam共512种。将加密的全息图按常规的全息图重建方法将不能得到任何有用的信息，以此来达到保密和欺骗他人的目的。将计算的全息图数据分为训练集和测试集。
[0030]
步骤二：准备训练数据及标签数据，构建神经网络模型
[0031]
为方便展示，本发明建立了两个神经网络(全息重建网络oam
‑
hrn和全息通信oam
‑
hcn)。由于常见的神经网络众多，为展示本发明方法的快速收敛能力，本发明选择了卷积神经网络作为实施例的网络结构，如图2b所示。全息重建网络的每层的结构预设为图中所示的参数。由于设定的目标不同，因此这两个网络也分别承担不同的任务，因此需要在训练过程中分别调试两个不同的网络，网络层数，神经元个数，学习率等具体参数。以此使其具有更高的工作效率，更快的训练速度和收敛效率。用于实现基于深度学习的高保真全息轨道角动量通信方法的神经网络模型基于不同的任务目标构建的。本发明的实施例是监督网络，根据步骤1)的生成的训练集和测试集以及训练任务目标来标定好监督标签数据；oam
‑
hrn用于解密全息图，训练集包含加密的全息图和标签原图总共15000组。其中测试集2000组。oam
‑
hcn用于解读轨道角动量信息，训练集包含加密的全息图和标签原图总共50000组，其中2000组作为测试集。
[0032]
步骤三：依据步骤2)构建的深度学习神经网络模型和训练和标签数据来训练神经网络模型。在训练过程中不断的调整模型的参数，直到收敛到全局最小值。在训练oam
‑
hrn网络时，当网络输出结果与标签之间的均方差值小于0.1时，可终止训练，该网络完成收敛，如图3(a)所示。用测试集对oam
‑
hrn用测试集对模型进行测试，测试结果如图3(b)所示。该网络能够解密被oam加密的全息图，并进行高质量重建。而在本发明oam
‑
hcn网络中，经过不断的训练和优化，当测试精度达到90％以上时，则认为满足实际需要，得到模型；若不满足条件，重复步骤三，重新对模型进行优化调整，最终能够对同类的数据具有较高的全息重建质量和轨道角动量信息解读的精度。在本发明中训练分类的精度达到几乎100％，如图4(a)(b)所示。然后，测试网络的精度达到97％以上，如图4(c)所示。
[0033]
步骤四：全息图重建和网络
[0034]
随机选一幅灰度图像(如名人艾伦图灵肖像或辣椒图像100*100像素)，如图5所示，每个像素对应两幅全息图及轨道角动量。因此按照其灰度值变成一维数组(1*20000)对应一组拓扑电荷数。将含有这些拓扑电荷信息的涡旋光相位与随机选取的图片编码成加密的全息图。经过自由空间传播后，在接收端能够利用训练好的全息重建网络(oam
‑
hrn)来重建高质量的全息图，而传统全息重建方法由于oam的加密则不能得到有用的信息，以此达到保密和混淆视听的目的。而训练好的网络(oam
‑
hcn)能够按照接收全息图的顺序解读出其轨道角动量信息，再转换成灰度图像。
[0035]
本发明的基于深度学习的高保真全息轨道角动量通信方法相比于传统的光学通信方法具有更高的安全性，更好的性能表现。除此之外，本发明提供的方法还可以在图像分
类，鬼成像，全息信息处理等方面有着广泛的应用前景。
[0036]
另外，本实施例中的两个神经网络也可合并成一个神经网络。除步骤一产生训练数据和标签和步骤二构建单个网络的不同之外，其步骤与实施例1相同。步骤一的训练数据标签更改为将实施例1中的两个网络(oam
‑
hrn和oam
‑
hcn)的标签的组合。单个神经网络能够完成上述实施例中的两个任务目标。
[0037]
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。