撰稿 | 金玳冉

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是由輸入層，輸出層，卷積層，池化層和全連接層這幾類功能層構(gòu)成的網(wǎng)絡(luò)，是生物視覺感知在計(jì)算機(jī)中的結(jié)構(gòu)體現(xiàn)。近幾年隨著 GPU 在算力上的顯著提升與 Imagenet 的提出，CNN 在圖像處理，尤其是光通信信號(hào)圖像處理等領(lǐng)域的應(yīng)用越來(lái)越廣泛。在現(xiàn)有的光通信領(lǐng)域中，無(wú)波前自適應(yīng)算法迭代時(shí)間長(zhǎng)，效果不理想，急需一種更快的算法作為替代手段。

自由空間光通信作為高帶寬、無(wú)頻譜要求、抗電磁干擾能力強(qiáng)、高保密性的新興通信方式備受矚目。然而在其傳輸過(guò)程中光束受大氣湍流的影響嚴(yán)重，為了解決大氣湍流對(duì)光束相位與振幅等方面的影響，吉林大學(xué)的 劉維 副教授，徐珺楠 等人將傳統(tǒng)波前校正方法與 CNN 網(wǎng)絡(luò)結(jié)合在一起，提出了一種基于 CNN-SPGD 算法的相干光通信像差校正方法并在 32 單元連續(xù)鏡面變形鏡系統(tǒng)上進(jìn)行了實(shí)驗(yàn)驗(yàn)證。

圖1：32單元連續(xù)鏡面變形鏡器材

該成果以“基于 CNN-SPGD 算法的相干光通信像差校正方法研究”為題發(fā)表在《光學(xué) 精密工程》（EI，Scopus收錄，中文核心期刊，2021中國(guó)國(guó)際影響力優(yōu)秀學(xué)術(shù)期刊）2022 年第 6 期。

實(shí)驗(yàn)中應(yīng)用 Nvidia Geforce GTX 1660 SUPER 顯卡訓(xùn)練，采用 Keras 完成 CNN 模型的搭建，構(gòu)建的 CNN 模型共計(jì)有 1 個(gè)輸入層，5 個(gè)卷積層，5 個(gè)池化層，2 個(gè)全連接層和1個(gè)輸出層。對(duì)第 4 到第 11 項(xiàng) Zernike 像差進(jìn)行分類，再對(duì) 8 大類256 小類的 8 萬(wàn)余張 128*128 像素的圖片進(jìn)行 20 輪訓(xùn)練后，訓(xùn)練集的準(zhǔn)確率為 97.62%，測(cè)試集的準(zhǔn)確率為 91.46%。

圖2：CNN 層結(jié)構(gòu)介紹

根據(jù)分類情況對(duì)分類后的圖片粗校正，就可以得到一個(gè)較快的，較有效的迭代結(jié)果，隨后使用隨機(jī)并行梯度下降算法對(duì)圖像進(jìn)行精校正，大幅減少了迭代所需時(shí)間，校正效果如圖3，經(jīng)過(guò)基于 CNN-SPGD 算法的無(wú)波前傳感 AO 系統(tǒng)像差校正后，焦平面的光斑圖像分布逐漸集中，說(shuō)明波前像差已得到校正，光束質(zhì)量得到改善。

圖3：CNN-SPGD 算法校正效果圖

在自由空間光通信系統(tǒng)中，CNN-SPGD 模型使誤碼率下降到 10?? 時(shí)的迭代次數(shù)相對(duì)傳統(tǒng) SPGD 可以降低 80%。而在混頻效率達(dá)到 0.9 時(shí)，CNN-SPGD 模型可以降低 85% 的迭代次數(shù)。

圖4：SPGD 算法和 CNN-SPGD 算法效果對(duì)比圖

在達(dá)到相同系統(tǒng)性能的前提下，即便 CNN-SPGD 算法有光斑分類和電壓選擇的過(guò)程，相比較于 SPGD 算法仍減少了迭代次數(shù)，有效提升了像差校正的速度，對(duì) FSO 的設(shè)計(jì)有一定的意義。

| 文章信息 | 

劉維,徐珺楠,金玳冉等.基于CNN-SPGD算法的相干光通信像差校正方法研究[J].光學(xué)精密工程,2022,30(06):743-754.

https://ope.lightpublishing.cn/thesisDetails#10.37188/OPE.20223006.0743

閱讀原文