大气流阶段重建通过深度学习波面传感
Yutao Liu1,2, Mingwei Zheng1, Xingqi Wang1
1School of Information Science and Engineering, Yanshan University, Qinhuangdao 066004, China.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
本研究提出了一种深度学习方法,用于快速准确地重建光通信中的大气流阶段. 该U-Net模型从光强度图像中重建相位,显著提高了比传统技术的性能.
科学领域:
- 光学通信是指光学通信.
- 大气光学是大气光学.
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 大气动荡严重降低了自由空间光通信性能.
- 精确的相位重建对于减轻这些干扰至关重要.
- 现有的方法面临着缓慢融合和有限准确性的挑战.
研究的目的:
- 开发一种快速而准确的方法来重建大气流阶段.
- 为了在自由空间连贯光通信中实现有效的相位补偿.
- 克服传统阶段重建技术的局限性.
主要方法:
- 采用了使用U-Net模型的深度学习方法.
- 该模型在各种流强度的广泛光强度相样本上进行了训练.
- 阶段重建是直接从流影响的光强度图像进行的.
主要成果:
- U-Net模型实现了快速相位重建,平均处理时间为0.14秒.
- 模拟显示了较低的平均损失函数值 (0.00027) 和平均平方误差 (0.0003).
- 实验验证证证实单个流重建的平均平方误差为0.0007.
结论:
- 拟议的深度学习方法提供了快速的融合,强大的性能和强大的概括能力.
- 这种方法为光通信中的大气干扰纠正提供了一个新且有效的解决方案.
- 该技术成功地重建了各种流强度的流阶段.
