[发明专利]一种基于深度学习的大气湍流实时补偿方法及系统

说明书

本发明公开了一种基于深度学习的大气湍流实时补偿方法及系统，所述方法包括以下步骤：将两束光分别处理生成X偏振方向的涡旋光和Y偏振方向的参考光后合束；对合束的光中X偏振方向的光和Y偏振方向的光上分别加载相同的大气湍流相位屏后进行分束，并检测得到分束的光中Y偏振方向上的光的光强分布图；利用训练好的卷积神经网络对大气湍流相位屏进行预测得到预测到的大气湍流相位屏并取反后加载到合束的光上，以对X偏振方向的光进行实时的大气湍流补偿。由于卷积神经网络经过训练后对湍流相位屏具有比较好的预测能力，能够对涡旋光进行实时的湍流相位补偿。相比传统的湍流补偿方案，本发明的湍流实时补偿方法具有实施过程简单、方便以及直观等特点，适用于高速、高精度的任意湍流条件下的实时补偿。

技术领域

本发明涉及人工智能以及信息光学领域，尤其涉及的是一种基于深度学习的大气湍流实时补偿方法及系统。

背景技术

轨道角动量(Orbital Angular Momentum，OAM)光束是一种具有空间螺旋相位的结构化光束。由于其相位奇点的存在，OAM光束呈现出类似“甜甜圈”的强度分布。OAM光束的螺旋型相位分布可用相位函数exp(ilθ)来描述，每一光子上携带有的轨道角动量，其中l为涡旋光的拓扑荷数，θ是方位角，是普朗克常数除以2π。也就是说，一束单色OAM光束的每一光子理论上可同时携带自旋角动量(SAM)和轨道角动量(OAM)，它们分别影响着涡旋光的偏振和空间分布。理论上，OAM光束的拓扑荷l可以取任意的整数值，并且不同OAM光束的模态是完全正交的，这就使得OAM光束具有许多显著的光学特性，在光学捕获、光学显微成像、量子信息和光学通信等领域有着广阔的应用前景。另外许多研究工作已经证实，OAM光束相比普通高斯光束存在额外的调控自由度，可以利用OAM进行复用调制来提高通信能力和频谱效率。但是因为大气湍流的存在，引起OAM光束在传输过程中的畸变，这种畸变会对信息的传输造成严重串扰，现有的湍流校正技术无法进一步提升通信系统的性能。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于深度学习的大气湍流实时补偿方法及系统，旨在更好的解决大气湍流对信息的传输造成严重串扰的问题。

本发明解决技术问题所采用的技术方案如下：

一种基于深度学习的大气湍流实时补偿方法，其中，包括以下步骤：

将两束光分别处理生成X偏振方向的涡旋光和Y偏振方向的参考光后合束；

对合束的光中X偏振方向的光和Y偏振方向上的光分别加载相同的大气湍流相位屏；

将带有相同的大气湍流相位信息的合束的光进行分束，并检测得到分束的光中Y偏振方向上的光的光强分布图；

根据分束的光中Y偏振方向上的光的光强分布图，利用训练好的卷积神经网络对大气湍流相位屏进行预测得到预测到的大气湍流相位屏；

将预测到的大气湍流相位屏取反并加载到合束的光上，以对X偏振方向上的光进行实时的大气湍流补偿。

所述的基于深度学习的大气湍流实时补偿方法，其中，所述训练好的卷积神经网络采用如下步骤得到：

将受湍流影响的高斯光光强分布图和未受湍流影响的标准高斯光光强分布图作为卷积神经网络的输入，对卷积神经网络进行训练；

当损失函数值达到预设阈值时，得到训练好的卷积神经网络。

所述的基于深度学习的大气湍流实时补偿方法，其中，所述损失函数为：