光学 精密工程 | 计算机视觉-光通信的新手段

撰稿 | 金玳冉

卷积神经网络（CNN）是由输入层，输出层，卷积层，池化层和全连接层这几类功能层构成的网络，是生物视觉感知在计算机中的结构体现。近几年随着 GPU 在算力上的显著提升与 Imagenet 的提出，CNN 在图像处理，尤其是光通信信号图像处理等领域的应用越来越广泛。在现有的光通信领域中，无波前自适应算法迭代时间长，效果不理想，急需一种更快的算法作为替代手段。

自由空间光通信作为高带宽、无频谱要求、抗电磁干扰能力强、高保密性的新兴通信方式备受瞩目。然而在其传输过程中光束受大气湍流的影响严重，为了解决大气湍流对光束相位与振幅等方面的影响，吉林大学的 刘维 副教授，徐珺楠 等人将传统波前校正方法与 CNN 网络结合在一起，提出了一种基于 CNN-SPGD 算法的相干光通信像差校正方法并在 32 单元连续镜面变形镜系统上进行了实验验证。

图1：32单元连续镜面变形镜器材

该成果以“基于 CNN-SPGD 算法的相干光通信像差校正方法研究”为题发表在《光学 精密工程》（EI，Scopus收录，中文核心期刊，2021中国国际影响力优秀学术期刊）2022 年第 6 期。

实验中应用 Nvidia Geforce GTX 1660 SUPER 显卡训练，采用 Keras 完成 CNN 模型的搭建，构建的 CNN 模型共计有 1 个输入层，5 个卷积层，5 个池化层，2 个全连接层和1个输出层。对第 4 到第 11 项 Zernike 像差进行分类，再对 8 大类256 小类的 8 万余张 128*128 像素的图片进行 20 轮训练后，训练集的准确率为 97.62%，测试集的准确率为 91.46%。

图2：CNN 层结构介绍

根据分类情况对分类后的图片粗校正，就可以得到一个较快的，较有效的迭代结果，随后使用随机并行梯度下降算法对图像进行精校正，大幅减少了迭代所需时间，校正效果如图3，经过基于 CNN-SPGD 算法的无波前传感 AO 系统像差校正后，焦平面的光斑图像分布逐渐集中，说明波前像差已得到校正，光束质量得到改善。

图3：CNN-SPGD 算法校正效果图

在自由空间光通信系统中，CNN-SPGD 模型使误码率下降到 10⁻⁶ 时的迭代次数相对传统 SPGD 可以降低 80%。而在混频效率达到 0.9 时，CNN-SPGD 模型可以降低 85% 的迭代次数。

图4：SPGD 算法和 CNN-SPGD 算法效果对比图

在达到相同系统性能的前提下，即便 CNN-SPGD 算法有光斑分类和电压选择的过程，相比较于 SPGD 算法仍减少了迭代次数，有效提升了像差校正的速度，对 FSO 的设计有一定的意义。

| 文章信息 | 

刘维,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].光学精密工程,2022,30(06):743-754.

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

阅读原文