[发明专利]一种基于机器学习的CVQKD系统相位补偿方法及装置

权利要求书

1.一种基于机器学习的CVQKD系统相位补偿方法，其特征在于，包括以下步骤：

在CVQKD系统的有效序列数据开始传输前，插入一段被发送端和接收端已知的标准序列，标准序列工作的重复频率与CVQKD系统工作的重复频率一致；

在发送端，首先传输标准序列数据，分束器将光脉冲分束为量子信号光和本振光，量子信号光经幅度和相位调制器完成高斯调制，经偏振分束器和法拉第镜完成偏振复用，本振光经延迟线完成时分复用，最后信号光经衰减器到达另一偏振分束器；

在接收端，偏振分束器将量子信号光和本振光分束，本振光完成测量基选择和时间延迟，与量子信号光同时到达分束器完成合束，平衡零差检测器对合束后的信号进行测量并转换成电信号，信号采集设备从电信号中获得相位角度，通过与发送端数据进行对比，得到相位漂移角度；

在接收端，通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，预测未来时间的相位漂移角度；在传输有效序列时，将未来时间的相位漂移角度作为相位补偿角度加载到发送端的相位调制器上以进行相位补偿。

2.根据权利要求1所述的一种基于机器学习的CVQKD系统相位补偿方法，其特征在于，所述通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，具体方式为：

将相位漂移角度一部分的数据点作为训练集，剩余部分的数据点作为模型的测试集；

通过支持向量机回归算法构建时间t和相位漂移角度Δφ(t)的回归预测模型；回归预测模型为：

式中，α_i是拉格朗日乘子，是其最优解，b是位移项，Kx_i,x是高斯核函数，物理模型是i＝1,2,···N,j＝1,2,···N，x_i和x_j是原空间的数据集，N是数据集的总数，σ＞0是高斯核的带宽，||Δ||是范数。

3.一种基于机器学习的CVQKD系统相位补偿装置，包括发送端和接收端；其特征在于，发送端包括激光器、幅度调制器、相位调制器、分束器、偏振分束器、法拉第镜和衰减器，接收端包括偏振分束器、相位调制器、分束器、平衡零差检测器和数据采集设备；

在发送端，传输有效序列之前，首先传输标准序列数据，分束器将光脉冲分束为量子信号光和本振光，量子信号光经幅度和相位调制器完成高斯调制，经偏振分束器和法拉第镜完成偏振复用，本振光经延迟线完成时分复用，最后信号光经衰减器到达另一偏振分束器；

在接收端，偏振分束器将量子信号光和本振光分束，本振光完成测量基选择和时间延迟，与量子信号光同时到达分束器完成合束，平衡零差检测器对合束后的信号进行测量并转换成电信号，信号采集设备从电信号中获得相位角度，通过与发送端数据进行对比，得到相位漂移角度；此外，通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，预测未来时间的相位漂移角度；在传输有效序列时，将未来时间的相位漂移角度作为相位补偿角度加载到发送端的相位调制器上以进行相位补偿。

4.根据权利要求3所述的一种基于机器学习的CVQKD系统相位补偿装置，其特征在于，在CVQKD系统的有效序列数据开始传输前，插入一段被发送端和接收端已知的标准序列，标准序列工作的重复频率与CVQKD系统工作的重复频率一致。

5.根据权利要求3所述的一种基于机器学习的CVQKD系统相位补偿装置，其特征在于，所述通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，具体方式为：

将相位漂移角度一部分的数据点作为训练集，剩余部分的数据点作为模型的测试集；

通过支持向量机回归算法构建时间t和相位漂移角度Δφ(t)的回归预测模型；回归预测模型为：

式中，α_i是拉格朗日乘子，是最优解，b是位移项，Kx_i,x是多项式核函数，物理模型是K(x_i,x_j)＝(x_i·x_j+1)^p，i＝1,2,···N,j＝1,2,…N，x_i和x_j是原空间的数据集，N是数据集的总数，P＞1是多项式的次数。