深度学习增强的里德堡原子多频率微波接收器及探测方法与流程

1.本发明属于微波电场传感器技术领域，具体涉及一种深度学习增强的里德堡原子多频率微波接收器及探测方法。


背景技术：

2.随着微波技术的发展(雷达，5g,wifi等)，对于微波接收器的要求越来越高，传统接收器天线的尺寸随着微波波长的增加而增加。而近年来提出的里德堡原子接收器的尺寸不受制于微波波长，并且里德堡原子由于其偶极矩很大，因此对于微波信号非常敏感，可以用来作为高精度以及高敏感的微波接收器，另外，由于原子有很多不同的里德堡态，可以用来接收不同频率的微波信号。
3.文献[appl.phys.lett.114,114101(2019)]中报道了基于里德堡原子对于两个微波信号的相对相位信号的探测。但是文献中仅能对两个微波信号间的相对相位进行探测，不能探测多个微波信号间的相位，没有可扩展性。信号频带利用率不高。
[0004]
文献[ieee antennas and wireless propagation letters,vol.18,no.9,pp.1853
‑
1857,sept.2019]在此基础上提出利用两个微波信号间的相位传递信息，进行数字通信。其中，文献记载了利用里德堡原子接收相移键控信号以及正交振幅调制信号的实验。但是接收装置复杂，将不同频分复用信号分开时，使用了带通滤波器。文献出于演示目的，仅展示了两个频分复用信号，如果使用多个频分复用信号，则需要多个带通滤波器。


技术实现要素：

[0005]
本发明提出利用里德堡原子以及深度学习模型解码频分复用相移键控信号(fdm
‑
2psk)。发明由里德堡原子和深度学习模型组成。多频率微波信号通过喇叭加载到里德堡原子上影响探测光的透射谱，然后将透射谱输入到训练好的深度学习模型中，模型输出微波信号间的相对相位，将原始信号解调出来。
[0006]
具体的技术方案为：
[0007]
深度学习增强的里德堡原子多频率微波接收器，包括激光器，激光器的光路上依次包括半波片、偏振分束器、第一个二向色镜、铷泡、第二个二向色镜、差分光电探测器；
[0008]
偏振分束器将激光器的入射光分为平行的两束光，一束为探测光，另一束为参考光；这两束光的偏振方向相互正交；两束光经过第一个二向色镜透射进入铷泡；探测光与参考光最终被差分光电探测器接收；
[0009]
还包括耦合光，光路上依次经过第二个二向色镜、铷泡、第一个二向色镜，耦合光经过第二个二向色镜反射后进入铷泡，并与探测光反向重合，然后被第二个二向色镜反射；
[0010]
铷泡外侧有喇叭，用于加载多频率微波信号到铷泡的原子上。
[0011]
半波片用于改变光线偏振方向，与偏振分束器组合调节偏振分束器分出的两束光的相对光强。
[0012]
喇叭加载的多频率微波信号传播方向与探测光垂直。
[0013]
激光器发出的为795nm的激光；耦合光为474nm激光。
[0014]
激光器发出的激光由偏振分束器分为平行的两束穿过铷泡，一束为探测光，另一束为参考光；耦合光与探测光反向重合，原子经过双光子过程被激发为里德堡态；
[0015]
探测光与参考光最终被一个差分光电探测器接收，差分光电探测器的输出信号就是探测光的透射谱；
[0016]
通过喇叭加载到原子上，微波的传播方向与探测光、参考光和耦合光垂直；将差分光电探测器的输出信号输入到训练好的深度学习模型中即可得到预测结果。
[0017]
所述的深度学习模型，使用双向长短期记忆层以及一维卷积层搭建神经网络；
[0018]
在一维卷积层后双向长短期记忆层前依次添加批归一化层，激活函数层，以及一维池化层；
[0019]
模型最后的全连接层用来将输出调整为合适的维度。
[0020]
本发明具有的技术效果：
[0021]
①
可扩展性，在本发明中，频分复用的信号的个数可达20个，从而提高信息传输速率。
[0022]
②
装置简单，由于使用深度学习的模型，本发明不需要多个带通滤波器分离频分复用信号。
[0023]
③
鲁棒性，由于里德堡原子对电磁场非常敏感，测得的数据往往有很大的噪声，利用深度学习，可以提高里德堡原子接收器对于噪声的鲁棒性。
[0024]
④
可用于多目标检测。由于多普勒效应，不同的速度对应不同的频谱，而本发明的模型能够将多频率的频谱一次就全部检测出来。
[0025]
⑤
速度快，相比于利用主方程拟合，训练好的模型能够对输入信号快速响应。
附图说明
[0026]
图1a为实施例的能级图；
[0027]
图1b为本发明的结构示意图；
[0028]
图1c为实施例的入射4个频率的微波时探测光透射谱；
[0029]
图2为实施例的深度学习模型以及每层的输入输出数据维度；
[0030]
图3为实施例的训练集以及验证集的损失曲线；
[0031]
图4为实施例的模型的测试结果；
[0032]
图5为实施例的传输二维码的结果。
具体实施方式
[0033]
结合实施例说明本发明的具体技术方案。
[0034]
如图1b所示，深度学习增强的里德堡原子多频率微波接收器，包括激光器1，激光器1的光路上依次包括半波片2、偏振分束器3、第一个二向色镜4、铷泡5、第二个二向色镜7、差分光电探测器8；
[0035]
偏振分束器3将激光器1的入射光分为平行的两束光，一束为探测光12，另一束为参考光11；这两束光的偏振方向相互正交；两束光经过第一个二向色镜4透射进入铷泡5，铷泡中的原子为铷85原子；探测光12与参考光11最终被差分光电探测器8接收；
[0036]
还包括耦合光10，由第二个激光器9发出，光路上依次经过第二个二向色镜7、铷泡5、第一个二向色镜4，耦合光10经过第二个二向色镜7反射后进入铷泡5，并与探测光12平行且反向重合，然后被第二个二向色镜7反射；
[0037]
铷泡5外侧有喇叭6，用于加载多频率微波信号到铷泡5的原子上。
[0038]
半波片2用于改变光线偏振方向，与偏振分束器3组合调节偏振分束器3分出的两束光的相对光强。
[0039]
喇叭6加载的多频率微波信号传播方向与探测光12垂直。
[0040]
激光器1发出的为795nm的激光；耦合光10为474nm激光。
[0041]
原子经过双光子过程|5s
1/2
,f＝2>
→
|5p
1/2
,f'＝3>
→
|51d
3/2
>被激发为里德堡态|51d
3/2
>。所用能级图如图1a所示，探测光12激发铷85原子跃迁|5s
1/2
,f＝2>
→
|5p
1/2
,f'＝3>，耦合光10激发原子跃迁|5p
1/2
,f'＝3>
→
|51d
3/2
>，多频微波驱动原子跃迁|51d
3/2
>
→
|50f
5/2
>。探测光12，耦合光10，微波的失谐分别为δ
p
,δ
c
,δ
s
及其拉比频率ω
p
,ω
c
,ω
s
。探测光12与参考光11最终被差分光电探测器8接收，差分光电探测器8的输出信号就是原子的透射谱。
[0042]
图1c为从差分光电探测器8处得到的探测光透射谱，此时δ
p
＝0,δ
c
＝0,δ
s
＝0即激光与原子共振。所用的微波场为4个不同频率微波的叠加,微波的频率分别为f1＝17.62ghz
‑
3khz f2＝17.62ghz
‑
1khz f3＝17.62ghz+1khz,以及f4＝17.62ghz+3khz，频率间隔δf为2khz。
[0043]
实验中，多频率微波信号其中为单频微波信号的相位，取值0或π，ω
1,2,3
为单频微波信号的角频率。单频信号叠加后通过喇叭6加载到原子上，微波的传播方向与探测光12、参考光11和耦合光10垂直。将差分光电探测器8的输出信号输入到训练好的深度学习模型中即可得到预测结果多频率微波信号中的一个信号为参考信号，它的振幅要大于其他信号的振幅，目的是消除非线性，即不同相位对应相同波形的现象。此时多频率微波信号的调制信号为其他微波信号相对于参考信号的相对相位。
[0044]
由于数据为时间序列要求模型具有长期记忆能力，所以本实施例使用keras中的长短期记忆层(lstm layer)搭建神经网络。为进一步提高网络的记忆力，本实施例使用双向长短期记忆层(bi
‑
directional lstm layer)以及一维卷积层(1
‑
d convolution layer)。在一维卷积层后双向长短期记忆层前依次添加批归一化层(batch normalization layer)，激活函数层(relu layer)，以及一维池化层(1
‑
d max
‑
pooling layer)，这个顺序是为了使模型在训练的时候更快收敛[sergey ioffe,christian szegedy proceedings of the 32nd international conference on machine learning,pmlr 37:448
‑
456,2015.]。模型最后的全连接层(dense layer)用来将输出调整为合适的维度。
[0045]
图2给出了所用的神经网络结构，以及每一层的输入输出数据维度。模型输入数据的维度为(样本数量，透射谱数据点数，特征数)，样本数量为64，透射谱时长为1ms，时间间隔为1us，即数据点数为1000.特征数为1。因此输入数据的维度为(64，1000，1)。
[0046]
将微波信号相对于参考信号的相对相位(作为标签)以及对应的探测光透射谱作为数据集，数据集被随机打乱后分为训练集，验证集以及测试集，分别用来训练，验证
和测试深度学习模型。验证集用于判断在训练过程中模型是否发生过拟合现象。训练的过程中探测光透射谱和相应的相位一起被输入到模型中以供模型学习。学习也就是训练过程中，模型预测值与真实值之间的“距离”即损失函数会被计算，将损失函数对每层权重的导数反向传播用于更新每层的权重。训练完成之后，即模型的损失曲线(loss)收敛后，本实施例就可以使用模型去预测，利用测试集进行测试。在测试过程中，只提供探测光透射谱，而不提供相应的相位，通过将模型预测值与真实值比较，本实施例得出模型在测试集上的性能指标。
[0047]
图3给出了模型在训练及验证过程中，130个世代之后，训练集与验证集的损失收敛且相近，说明模型已经训练好，没有过拟合和欠拟合现象。训练集大小为524，验证集大小为172。其中模型将训练集的数据全部遍历一遍为一个世代。损失函数为预测值与真实值之间的均方差m为样本数，y
i
为真实值，f(x
i
)为模型预测值。最后通过喇叭将任意不同相位组合的频分复用信号(为0或π)加载到里德堡原子上，经过神经网络的预测，均能得到原始的相对相位其中，要求训练神经网络时所用的频分复用信号的数目要与预测时相同。
[0048]
模型测试结果如图4所示，利用模型在测试集的预测结果绘制出混淆矩阵。测试集大小为160，模型的准确率为99.375％。
[0049]
传输二维码的结果如图5所示，，当训练世代为3和4的时候，不能从模型恢复出的二维码中读取信息，此时对应的准确率分别为51.02％和76.87％。而到第35个世代的时候，能够从模型恢复出的二维码中读取信息，此时的准确率为99.32％。准确率是由正确预测的波形数除以总波形数得来的。本实施例利用多频率微波进行频分复用的数字通信，传输一个二维码，二维码编码的是字母“ustc”。将二维码通过频分复用的二进制相移键控(fdm
‑
2psk)的方式编码并传输，通过里德堡原子接收并利用不同世代训练的深度学习模型恢复二维码，最终发现深度学习模型在经过35世代的训练后所重构出的二维码能够解码出原字母“ustc”，模型准确率为99.32％。机器学习的硬件设备为nvidia geforce gtx 1650显卡。