一种大容量光通信系统自适应损伤补偿方法

1.本发明涉及一种大容量光通信系统自适应损伤补偿方法，属于光通信领域。


背景技术：

2.轨道角动量(oam)与电磁波的空间相位分布有关，allen等人在1992年发现携带方向相位分布为的电磁波携带oam，为方位角，l是拓扑荷数(topological charge)也被称为模式数，它表示光在波长内旋转的次数。在希尔伯特空间上，oam光束的拓扑荷数是相互正交的，这表明l可以取任意的整数值，oam具有无限个本征态，这给光通信领域提供了一种新的复用维度。利用oam光束的多模式数做载波进行信息调制和多路复用不仅能够提高光子的信息容量，还能够提高通信系统的传输能力。
3.在自由空间光(fso)通信链路中，由于气象要素的时空变换，如温度、压强、湿度等因素的变化，从而导致自由空间折射率的不均匀性，造成相位波前的随机扰动。而oam光束具有环形光强分布和螺旋相位波前，在fso通信系统中oam光束对大气湍流(at)十分敏感，产生各种湍流效应，包括环形光强闪烁、波前畸变、光束漂移，到达角起伏等，还会引起传输模式功率向相邻模式扩散，造成模式间的串扰，且oam模式数越大，这种畸变影响越明显，这严重阻碍了oam的利用和通信系统的发展，因此寻找缓解大气湍流对oam光束扭曲的方法成为通信领域的研究热点。
4.缓解大气湍流常用的方法之一是自适应光学(ao)技术。ao技术的基本原理是相位共轭、波前补偿。ao光学技术主要有三部分组成：波前传感器、波前控制器、波前校正器。波前传感器主要用于探测受at影响的畸变光束像差信息，如shack-hartmann波前传感器(sh-wfs)。波前控制器的作用是通过控制系统计算出需要加载到波前校正器上的控制电压，通过控制电压调整波前校正器(如变形镜dm，空间光调制器slm)校正畸变光束的像差信息，从而补偿大气湍流对光束的影响。oam光束中空的环形强度分布特性和螺旋的相位波前结构特性造成了其存在相位奇点，使用传统的sh-wfs自适应光学方案会存在一定的误差。常用的ao技术还包括g-s算法、随机并行梯度下降算法(spgd)、混合输入输出算法(hio)等。以上的这些算法在计算过程中需要多次的迭代，且容易陷入局部最小值。
5.随着深度学习的发展越来越成熟，应用越来越广泛，神经网络也被应用到了ao技术中。近年来，利用深度学习进行波前重构和相位恢复的方法也越来越成熟。2018年，美国杜兰特大学lohani and glasser等人利人工神经网络(ann)从oam模态分布中提取大气湍流特征，实现大气湍流补偿，由于不同的oam模态需要训练不同的网络，模型的泛化能力不高而未被广泛使用。2019年，深圳大学的研究人员利用卷积神经网络(cnn)从输入的oam强度分布中提取湍流相位特征，利用湍流相位的复共轭对畸变oam光束进行补偿。同年，中国科学院光电技术guo等人利用de-vgg从输入的焦面和离焦面强度分布图像中恢复出湍流相位图，用于大气湍流的补偿。2020年，chenda lu等人利用联合训练的卷积神经网络(cnn)和共享模型骨干网从输入的扭曲oam光束中识别oam模式数和利用ao系统补偿大气湍流。上述这些方法需要大量的训练数据来使模型的泛化能力更广，在模型的特征提取过程中上下文
信息可能会丢失从而使模型的训练精度下降，训练时间变长。


技术实现要素：

6.针对大气湍流对oam光束造成的光强闪烁、相位扭曲等导致oam传输功率的下降、模式间串扰的问题，本发明的主要目的是提供一种大容量光通信系统自适应损伤补偿方法，通过y-net模型从强度分布图像中提取大气湍流相位屏和oam模式数，将该相位屏的复共轭加载到传输光束中去补偿大气湍流对oam光束的畸变；同时上下文信息的共享使训练有更快的速度和更高的识别精度，提高畸变oam光束的补偿效果。从而提升传输模式的纯度，增大传输光束的传输功率，提升通信系统的传输能力。
7.本发明的目的是采用以下技术方案实现的：
8.本发明公开的一种大容量光通信系统自适应损伤补偿方法，采用的网络模型为y-net结构，在自适应光学系统中的作用相当于波前控制器，是一种黑盒形式计算机拟合过程。y-net的输入是由电耦合器件(charged coupled device，ccd)探测到的畸变oam光束的强度图像，输出是预测的大气湍流的相位屏和oam模式数。将该相位屏的复共轭加载到传输光束中去补偿大气湍流对oam光束的畸变，从而使传输光束的传输功率增高，提升传输模式的纯度；同时，y-net上端路径采用跳跃连接共享上下文信息，拟合出更接近于实际湍流相位的相位屏信息，以补偿实际受大气湍流影响的oam光束，使其传输功率提高，提升通信系统的传输能力。
9.本发明公开的一种大容量光通信系统自适应损伤补偿方法，包括如下步骤：
10.步骤一：搭建基于y-net为数据处理单元的自适应损伤补偿结构系统，使携带信息的oam光束经过大气湍流扰动后能高效地得到校正，提升光束的传输效率。
11.步骤一所述的基于y-net的自适应损伤补偿系统，包括：波前探测单元，数据处理单元，波前校正单元。所述波前探测单元，采用电耦合器件ccd，用于探测畸变的oam光束的强度分布；所述数据处理单元是训练好的y-net模型，将ccd探测到的畸变oam光束的光强图像输出到计算机中的y-net模型中，输出大气湍流相位屏和oam模式数；所述的波前校正单元为液晶空间光调制器slm，加载y-net输出的大气湍流的相位屏的复共轭使畸变oam光束得到补偿，oam光束的波前相位扭曲得到校正。
12.步骤二：构建y-net模型，使y-net模型的各网络层能有效提取输入强度图像中的大气湍流和传输模式信息，用于重构大气湍流相位屏和识别传输oam模式数。
13.所述y-net网络层包括卷积层、下采样层、上采样层、批量归一化层(bn)、整流线性单元(relu)、非线性激活层、全连接层和跳跃连接。该模型的结构由编码路径、解码路径和识别路径组成。
14.步骤2.1：步骤二所述的y-net模型中的编码路径中包含四层编码块，使用多个编码块的目的，是在较深的网络中提取图像中的湍流信息，用于之后解码路径中的大气湍流相位屏路径。在每一层编码块中由两层卷积层组成且每一卷积层后跟批量归一化层和激活函数relu层。在编码块中卷积的作用是提取输入到该层的不同特征信息，较深的卷积层可以提取更详细的特征信息。bn层使每一层网络的输入归一化，缓解网络中梯度消失的问题，加快网络的训练速度，进而提高模型的泛化能力。y-net模型的输入与输出引用relu激活函数进行非线性变换，不仅能够满足上述网络的非线性要求，还能使网络的收敛速度加快。每
个编码块后连接最大池化下采样块，对当前层进行降维操作，减少y-net模型的过拟合的同时增大感受野，使后续的操作能学习到全局信息，提高模型运行的效率。
15.步骤2.2：步骤二中所述y-net网络中所采用的上采样操作为亚像素卷积采样，亚像素卷积通过分辨率增大的倍数利用卷积和多通道间的像素重组方法，将图像从低分辨率变换到高分辨率。
16.步骤2.3：采用的y-net模型在编码路径和解码路径中采用跳跃连接中的concatenation层来共享上下文信息，使解码器在进行上采样操作时能够充分的利用特征信息，从而更精确的实现图像输出。
17.步骤2.4：y-net网络中与大气湍流相位屏输出路径相对应的是oam模式数的输出路径。该路径中的操作是不断地进行卷积和池化提取强度图像的特征信息以提高oam模式数的输出精度。在经过四层池化和卷积操作后，将提取的特征信息输入到全连接层输出识别的oam模式数。
18.步骤三：针对步骤二所构建的y-net模型进行训练，使训练好的y-net模型对随机变化的湍流具有更强的相位重构能力和对受湍流干扰的传输光束的模式识别能力。
19.由于气象要素的随机变化，自由空间中的大气湍流也是时刻变化的，在模型的训练阶段采用大量不同湍流强度的仿真数据更利于节省时间和资源。使用的oam光束为模式数为l的拉盖尔高斯光束作为传输信息的oam光束，其中设置oam模式数为训练y-net模型中识别路径的分类标签。大气结构常数为范围为2
×
10-15
到1
×
10-13
m-3/5
的仿真二维随机相位屏，用于湍流相位重构标签。光束经过随机相位屏后其相位波前会发生扭曲，光束的传输经过菲涅尔衍射后到达下一个湍流相位屏直到到达接收端，在接收端输出数值模拟的光场强度分布图像作为训练y-net模型数据集中的输入。
20.所述y-net模型的参数更新是采用梯度反向传播算法，其目标函数分别采用均方误差损失函数和交叉熵损失函数。输出预测的大气湍流相位屏，使用均方误差损失函数与模拟的大气湍流相位标签拟合，而oam模式数识别路径中使用交叉熵损失函数。在进行梯度反向传播的过程中先保存上端路径即at相位屏的梯度，再进行模式识别的反向传播。使用adam优化器在网络训练过程中对模型参数优化。使训练好的y-net模型对随机变化的湍流具有较强的相位重构能力和对受湍流干扰的传输光束的模式识别能力。
21.步骤四：将步骤三中训练好的y-net网络应用于步骤一中的数据处理单元，实现步骤一中所述的自适应损伤补偿系统，提升oam光束在光通信链路中传输模式的纯度，增大传输光束的功率，提升通信系统的传输能力。
22.将步骤三中训练好的y-net网络应用于步骤一中的数据处理单元，在自由空间通信链路中，oam光束在不均匀介质自由空间中传输时受到大气湍流的干扰，造成波前相位的畸变和光强发散到达接收端，在接收端分束器将畸变oam光束分成两束，其中一束经过ccd相机探测到其强度分布，输入到计算机中，经过y-net模型输出光束中的大气湍流相位和传输的oam模式数。y-net模型输出的oam模式数被用于载波光束的解调，y-net模型输出光束中的大气湍流相位的复共轭，被加载到波前校正单元中，对分束器分束后的未被探测的传输畸变oam光束进行波前校正，从而使传输信息的oam光束的传输功率得到极大地提升，提升传输模式的纯度，提升通信系统的传输能力。
23.有益效果：
24.1、本发明公开的一种大容量光通信系统损伤补偿方法，采用一种基于y-net的补偿大气湍流的方法，相对于传统的ao光学技术的迭代算法，能够有效地解决其易陷入局部最优值的问题，高效校正畸变oam光束，降低自适应损伤补偿系统的复杂度。
25.2、本发明公开的一种大容量光通信系统自适应损伤补偿方法，采用y-net网络，能够在短时间内输出大气湍流的相位屏和oam模式数，相较于g-s等算法长时间的迭代，能够节省更多的时间和更快地对系统进行补偿，提高系统的补偿效率。
26.3、本发明公开的一种大容量光通信系统自适应损伤补偿方法，基于y-net的自适应补偿方法在解决大容量oam空间光通信系统中大气湍流导致的损伤问题的同时，实现oam模式的解调，能够提升光束的模式纯度，增大传输效率，高效补偿大容量通信系统中的损伤，实现高效率的信息传输和载波解调。
附图说明
27.图1为本发明公开的一种大容量光通信系统自适应损伤补偿方法的流程图。
28.图2为本发明公开的一种大容量光通信系统自适应损伤补偿方法的y-net神经网络模型结构图；
29.图3为本实施例中y-net模型训练的迭代损失曲线图；
30.图4为本实施例中y-net识别oam模式数的识别精度曲线图；
31.图5为本实施例中基于y-net补偿前后oam光束的强度分布图，
32.其中图(a)为无补偿oam光强，图(b)为基于y-net补偿oam光强；
33.图6为本实施例中基于y-net补偿前后oam模式纯度图；
34.图7为在不同湍流强度下基于y-net补偿能力图；
35.图8为在不同湍流强度下基于y-net识别oam模式能力图。
具体实施方式
36.下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
37.实施例1：
38.本实施例公开一种大容量光通信系统自适应损伤补偿方法，应用于畸变oam光束的自适应损伤补偿系统，即y-net-ao系统。y-net-ao利用y-net神经网络强大的输入输出拟合能力，利用光通信系统中受大气湍流干扰的oam光束提取其中的难以数学分析的大气湍流相位信息和传输的oam模式数，通过提取到的大气湍流相位信息重构光通信系统中的大气湍流相位屏对通信链路中的oam光束进行补偿校正和解调。
39.需要注意的是，实施方式只是示例性的，不是对本发明的限制。本发明实施例以附图1所示的基于y-net的自适应损伤补偿系统流程图为例，结合附图2所示的y-net模型图以及附图3、附图4所示的训练损失、精度图，对用于校正oam光束波前畸变的具体实现步骤进行原理说明。
40.如附图1所示，本实施例公开一种大容量光通信系统自适应损伤补偿方法，具体实现步骤如下：
41.步骤一：搭建基于y-net为数据处理单元的自适应损伤补偿系统，使携带信息的oam光束经过大气湍流扰动后能高效地得到校正，提升光束的传输效率。根据附图1所示的基于y-net的自适应光学系统流程图，自适应损伤补偿的实现过程：携带oam的光束经过大气湍流到达接收端，在接收端使用分束器将畸变oam光束分成两部分，一部分使用电耦合器件(ccd)探测oam光束强度分布图像，将该图像输入到基于y-net模型中输出的预测的大气湍流相位屏和传输的oam模式数，将输出的大气湍流相位屏的复共轭加载到波前校正器(slm)中对畸变oam光束进行大气湍流补偿，附图5为本发明对畸变oam光束强度图像的补偿效果，基于y-net的自适应系统将畸变的oam光束强度分布补偿到了均匀的圆形。输出的oam模式数可用于oam解调。
42.步骤二：基于步骤一设计y-net模型，使y-net各网络层能有效提取输入强度图像中的大气湍流和传输模式信息，用于重构大气湍流相位屏和识别传输oam模式数。
43.本实施例中y-net模型基于python语言在pycharm编译器中进行搭建。步骤一所述的y-net模型如附图2，包括卷积层、下采样层、上采样层、批量归一化层(bn)、整流线性单元(relu)非线性激活层、全连接层和跳跃连接。该模型的结构由编码路径、解码路径和识别路径组成。
44.步骤2.1：编码路径中包含了四层编码块以及每个编码块后连接下采样块，在每一层编码块中由两层卷积层组成且每一卷积层后跟批量归一化(bn)层和激活函数relu层。其中卷积层提取输入到该层的不同特征信息，较深的卷积层提取更高层次特征信息。本实施例使用的卷积单元的卷积核均为3
×
3，步幅为1。bn层的使用不仅缓解了底层网络变化积累到上层网络中导致梯度消失的问题，还加快了网络的训练速度，进而提高模型的泛化能力。畸变oam光束强度图像的输入与大气湍流相位屏的输出之间是非线性的，需要非线性变换来进行拟合，面对这种情况一种有效的方式是引入激活函数层。使用relu激活函数不仅能够满足上述网络的非线性要求，还能使网络的收敛速度加快。下采样块采用最大池化(max pooling)操作，在可以保证特征位置和旋转不变性的前提下，减少空间信息的大小，减少模型的过拟合，同时还能够增大感受野，使后续的操作能学习到全局信息，提高模型运行的效率。
45.步骤2.2：本发明中y-net网络中所采用的上采样操作为亚像素卷积(sub-pixel convolution)上采样，亚像素卷积通过分辨率增大的倍数利用卷积和多通道间的重组(像素重组)的方法，将图像从低分辨率变换到高分辨率。该上采样的方法完全利用特征提取的信息完成高分辨率，减少了插值和解卷积的人工痕迹，使用该方法的模型训练效果更好。
46.步骤2.3：本发明中采用的y-net模型在编码路径和解码路径中采用跳跃连接中的concatenation层来共享上下文信息，使解码器在进行上采样操作时能够充分的利用特征信息，从而更精确的实现图像输出。
47.步骤2.4：本发明所使用y-net网络中与大气湍流相位屏输出路径相对应的oam模式数的输出路径。该路径中的操作是不断地进行卷积和池化提取强度图像的特征信息以提高oam模式数的输出精度。在经过四层池化和卷积操作后，将提取的特征信息输入到全连接层输出识别的oam模式数。
48.步骤三：针对步骤二所设计y-net模型进行训练，使y-net模型对随机变化的湍流具有更强的相位重构能力和对受湍流干扰的传输光束的模式识别能力。由于气象要素的随
机变化，自由空间中的大气湍流也是时刻变化的，在模型的训练阶段采用大量不同湍流强度的仿真数据更利于节省时间和资源。本发明基于matlab仿真软件，大气湍流采用蒙特卡洛法模拟真实大气湍流，作为训练y-net模型的湍流相位重构标签。改进的von karman湍流模型模拟oam光束通过随机相位屏的传输过程。本实施例使用oam光束为模式数为l的拉盖尔高斯光束(laguerre-gaussian，lg)作为传输信息光束，其中设置的oam模式数为训练y-net模型中识别路径的分类标签。本实施例设置oam光束的波长为1550nm，束腰半径0.035mm，大气折射率结构常数的范围为2
×
10-15
到1
×
10-13
m-3/5
，oam光束传输距离400到900m，随机相位屏的大小512
×
512，网格间距0.0005m，内外尺度为0.0002m和50m。光束经过随机相位屏后其相位波前会发生扭曲，光束的传输经过菲涅尔衍射后到达下一个湍流相位屏直到到达接收端，在接收端输出数值模拟的光场强度分布图像作为训练y-net模型数据集中的输入。
49.本实施例中y-net模型的参数更新是采用梯度反向传播算法，其目标函数分别采用均方误差损失函数和交叉熵损失函数。输出预测的大气湍流相位屏使用均方误差损失函数与模拟的大气湍流相位标签拟合，而oam模式数识别路径中使用交叉熵损失函数。在进行梯度反向传播的过程中先保存上端路径(at相位屏)的梯度，再进行模式识别的反向传播。使用adam优化器在网络训练过程中对模型参数优化。初始的学习率设置为0.001，采用固定步长的学习率衰减策略，每10个周期学习率衰减为原来的0.5倍。基于步骤二、步骤三对y-net网络进行150个周期的迭代训练。
50.本实施例y-net模型的训练在gpu上加速。附图3、4为本实施例中采用的y-net模型经过150次训练过程中产生的曲线图。附图3为本实施例基于以上步骤中训练的y-net模型预测大气湍流相位屏的损失函数曲线图，随着迭代次数的增加，损失函数逐渐收敛并趋于稳定，说明本实施例训练的y-net输出图像与仿真的真值拟合效果满足需求，y-net模型能高精度重构大气湍流相位。附图4为本实施例中y-net模型识别路径的识别精度曲线图，经过150次迭代，模型的识别精度达到99％以上。因此，本实施例y-net模型有较强的相位重构能力和对传输光束的模式识别能力。
51.步骤四：基于步骤二与步骤三y-net模型，实现步骤一中所述的自适应损伤补偿系统，提升oam光束在光通信链路中传输模式的纯度，增大传输光束的功率。步骤三中训练好的y-net网络应用于步骤一中数据处理单元，在自由空间通信链路中oam光束在不均匀介质自由空间中传输时受到大气湍流的干扰，造成波前相位的畸变和光强发散到达接收端，在接收端分束器(bs)将畸变oam光束分成两束，其中一束经过ccd相机探测到其强度分布，输入到计算机中，经过y-net模型输出光束中的大气湍流相位和传输的oam模式数。y-net模型输出光束中的大气湍流相位的复共轭被加载到波前校正单元中对分束器分束后的未被探测的传输畸变oam光束进行波前校正，从而使传输信息的oam光束的传输功率得到极大地提升，系统的传输性能更加优良，y-net模型输出的oam模式数被用于载波光束的解调。因此，基于y-net模型的自适应损伤补偿系统解决了oam光束在光通信链路中的模式发散、功率衰减等问题。
52.本实施例中基于y-net的自适应损伤补偿系统的补偿实现是基于matlab软件。为了验证本发明的有效性，基于本实施例步骤二、步骤三数据集采集和训练，将训练好的y-net模型与传统的单强度相位恢复算法(spra)对相同条件下畸变oam光束的补偿效果比较。
如附图6为在相同的大气湍流折射率结构常数c
n2
＝1
×
10-14
，传输模式数l＝2下二者对畸变oam光束的补偿后光束的模式纯度(相对功率),显然，y-net模型有更优良的性能，附图5显示在matlab软件中自适应系统对畸变oam光束光强发散校正为均匀的圆形，较明显地恢复了其原始光强分布，因此本实施例提升了传输模式的纯度，增大了传输光束的功率，提升了大容量通信系统的传输效率。
53.为了说明该实施例的模型的泛化能力，本实施例在不同大气湍流折射率结构常数1
×
10-16
到1
×
10-13
m-2/3
范围内对基于y-net模型和spra补偿能力进行仿真实验，附图7说明了本实施例y-net模型的补偿能力在不同的湍流强度下都由于spra算法。为了说明本实施例y-net模型对受强弱湍流影响的oam光束的识别能力，附图8为湍流范围从2
×
10-15
到7.5
×
10-13
m-2/3
y-net模型的识别能力折线图。因此，在本实施例中y-net模型在弱、中湍流中的模式识别效果更好，在更强的湍流中由于光强发散程度加剧，模式识别能力显著降低。从以上附图中可以看出，本实施例公开的一种大容量光通信系统自适应损伤补偿方法，有更好的补偿性能和更准确的识别能力，能够用于大容量oam光通信系统中，提高oam光束的传输功率并降低系统的成本和复杂度。
54.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。