1 南京邮电大学通信与信息工程学院,南京 江苏 210023
2 固体微结构物理国家重点实验室,南京 江苏 210008
衍射深度神经网络(D2NN)通过无源衍射层的深度学习,可实现快速高效的深度学习功能。利用多组不同湍流强度干扰下的轨道角动量(OAM)态和目标OAM态组成的训练数据集对设计的D2NN网络组件进行训练,更新和优化组件中各参数,直到由D2NN输出的OAM态与目标OAM态的平方误差损失函数达到预定的阈值,便可获得实现高速、高精度的OAM波前校正的D2NN组件。测试结果表明:D2NN迭代次数、衍射层数、训练参数的选择会对组件的校正速度和准确度产生影响,通过D2NN可以实现受大气湍流干扰的OAM态的高精度校正;当大气湍流强度为10-14 m-2/3、D2NN网络层层数为8时,组件性能最佳,其损失函数相比5层网络层的D2NN降低超过45.45%;而对于更强大气湍流的干扰,可以通过增加网络训练时的迭代次数来提高校正的准确度,迭代20次后损失函数的值降低率达到98.03%;对于湍流强度较弱的干扰,训练时采用纯相位参数,组件的性能更优;而对于强湍流的干扰,训练时采用相位参数与振幅参数两者相结合的方法,组件的性能更优;除此之外,OAM态的拓扑荷值越小,校正后的失真度越小。
衍射深度神经网络 无源衍射层 轨道角动量态 大气湍流 相位屏 光学学报
2023, 43(24): 2401008
1 南京邮电大学信号处理与传输研究院, 江苏 南京 210003
2 南京邮电大学宽带无线通信与传感网技术教育部重点实验室, 江苏 南京 210003
研究了水下湍流对轨道角动量(OAM)通信系统的性能影响,分析了不同环境参数和 传输距离下OAM通信系统信道容量的变化。结果表明,水下湍流环境中随着传输距离、湍流动 能耗散率和温度耗散率的增加, OAM态光束模式之间串扰加强,信道容量下降。当传输距离达 到7 m左右,信道容量下降为原来的一半;当湍流动能耗散率 为10-4m2/s3,容量下降 到理论最大值的75%; 当温度耗散率为10-8K2/s, 信道 容量下降到理论上最大值的一半;水下环境中盐度扰动比温度变化扰动对OAM通信系统性能的影响更大。
光通信 轨道角动量态 水下湍流 拉盖尔-高斯光束 信道容量 optical communications orbital angular momentum underwater turbulence Laguerre-Gaussian beam channel capacity
1 南京邮电大学信号处理与传输研究院, 江苏 南京 210003
2 南京邮电大学宽带无线通信与传感网技术教育部重点实验室, 江苏 南京 210003
通过实验方法研究轨道角动量(OAM)态水下传输特性。首先搭建OAM态水下光通信系统,然后通过OAM态展开谱和接收到的初始及其相邻OAM态概率变化曲线来研究其水下传输能力。实验结果表明:随着盐度的增加,初始OAM态的概率明显降低;相邻OAM态的传输概率随着拓扑荷间隔的增加而减少。
光通信 轨道角动量态 水下光通信 水下传输特性