基于流计算框架的叠加态轨道角动量在线分类方法

本发明属于光信号传输，具体涉及一种基于流计算框架的叠加态轨道角动量在线分类方法。

背景技术：

1、轨道角动量（orbital angular momentum，oam）是光的重要物理属性，描述了光子在传输过程中围绕光束轴线的旋转运动特性。oam的精确识别是挖掘光场物理特性的核心技术，在光通信领域，该技术可实现不同轨道角动量模式的有效解复用，突破传统传输容量限制，为构建超高速大容量通信网络提供技术支撑。

2、已授权的《一种基于条件生成对抗网络的轨道角动量叠加态识别方法》专利（202610026965.0）构建条件生成对抗网络，在生成器的网络结构中引入跳跃连接机制，能够保留底层细节特征，提升图像的生成质量，实现了对受强湍流和远距离传播条件下的影响而发生严重畸变的涡旋光束进行有效恢复。已授权的《基于深度学习的多波束射频oam定位识别方法及系统》专利（202311054861.3）以光学轨道角动量作为预训练的基础，使用预训练权重信息训练射频轨道角动量图像，并实现了射频轨道角动量的定位和识别功能。但是深度学习架构往往依赖于复杂的参数优化策略，对数据集有较高的依赖性，难以适应时变的应用场景。

3、已公开的《一种基于领域自适应的oam叠加模态识别及湍流强度检测方法》专利（202411863416.6）提出了一种基于领域自适应的oam叠加模态识别及湍流强度检测方法，仅需少量的数据即可识别叠加oam模态并分析湍流信道的强度，大大降低训练成本，具有操作简便、成本效益高、实时性强等优点。已公开的《一种基于深度学习的轨道角动量模式识别方法》专利（202511391088.9）通过引入自适应学习率调度和梯度裁剪技术，显著提高了模型训练的效率和精度，有效避免了常见的收敛震荡问题。已公开的《一种基于改进resnest-50的轨道角动量模式识别方法》专利（202511897601.1）通过采用基于resnest-50的深度神经网络架构,集成分裂注意力机制与多基数分组卷积，提高了识别准确率；模型通过综合数据增强策略与自适应通道调整，对空间模式生成过程中的偏差具有很强的鲁棒性。然而这些方法需要进行人工调参，难以适用于数量增长的样本集合。

技术实现思路

1、本发明提供一种基于流计算框架的叠加态轨道角动量在线分类方法，目的是能够实现大规模数据集的在线学习，突破了物理模型分类方法造成的精度不足的瓶颈，可适用于不同的工程应用场景，具有较好的理论意义和应用价值。

2、本发明采取的技术方案是，包括下列步骤：

3、（1）建立了流计算框架，通过离散化数据流，实现了轨道角动量oam样本的实时采集和实时计算；

4、（2）建立了随机湍流扰动仿真模型，通过生成多相位屏实现光束在大气、海洋等不同传输介质的等效模拟，分析拉盖尔-高斯光束经过随机湍流的影响，获得接收光斑样本；

5、（3）采用数据驱动的建模思想，构建了基于序列极限学习机的轨道角动量在线分类模型，模型的输入为光斑样本，模型的输出为轨道角动量空间模态类别标签；

6、（4）通过对轨道角动量在线分类模型的计算，得到输出权重；

7、（5）输入新的光斑样本，利用轨道角动量在线分类模型，计算当前光场强度样本的oam空间模态类别标签，实现轨道角动量在线分类。

8、本发明所述步骤（1）中所述对流计算框架为：

9、流计算框架采用spark技术，建立了客户端和服务器的交互模式，在服务器端，采用分布式文件系统hdfs进行数据存储，用户通过客户端向服务器发送数据请求，服务器在后台进行函数调用，在spark处理模块中，通过转换函数，完成一系列弹性分布式数据集rdd的数据操作，并通过动作函数实现整个模块的执行，得到分类结果，服务器将结果返回给客户端，完成数据响应。

10、本发明所述步骤（2）中所述建立随机湍流扰动仿真模型为：

11、通过生成多相位屏实现光束在大气、海洋等不同传输介质的等效模拟，通过快速傅里叶变换，能够得到随机湍流相位屏，利用多个中间平面组成相位屏序列，得到拉盖尔-高斯lg光束通过每一层相位屏的表达式：

12、(1)

13、其中，和分别表示傅里叶变换和傅里叶逆变换，和分别表示光束在光源处和经过一层相位屏传输后的光场强度，表示接收平面的光场强度，表示虚数单位，表示随机湍流变换算子，为每层相位屏的距离，，，，表示坐标，进行蒙特卡洛仿真，得到接收端的光斑样本，考虑不同的拓扑荷数，得到叠加态的oam模式。

14、本发明所述步骤（3）中所述轨道角动量在线分类模型为：

15、构建包含输入层、隐层、输出层的3层神经网络结构，训练过程分为初始学习和在线学习两个阶段；初始学习阶段，输入层为个节点，隐层为个节点，输出层为1个节点，光斑样本和轨道角动量空间模态类别标签组成样本数据，两者之间的映射表达式为：

16、(2)

17、其中，和分别为输入权重和偏置，为输出权重，代表的第个输入参数，代表的第个输出参数，为激活函数，为了进一步简化表达，轨道角动量空间模态类别标签集合表示为，将隐层随机矩阵表示为：

18、(3)

19、于是映射表达式可以简化为一个矩阵的形式，具体如下：

20、(4)

21、输出权重是训练阶段的重要参数，可以通过moore-penrose广义逆计算，具体表示为：

22、(5)

23、其中，为隐层随机矩阵的m-p广义逆，可以表示为；

24、在线学习阶段，输出权重采用迭代优化的方式进行更新，当时间段样本片段到达后，极限学习机的输入层节点数目随之增加，映射表达式的目标函数变为最小化当前所有样本片段的近似误差，表示为：

25、(6)

26、其中，和分别表示时间段隐层随机矩阵和轨道角动量空间模态类别标签集合。

27、本发明所述步骤（4）中通过对轨道角动量在线分类模型参数的优化，计算得到输出权重：

28、考虑隐层与输出层之间的线性关系，在时间段网络参数的基础上，计算时间段输出权重表达式：

29、(7)

30、由于矩阵乘法满足结合律，将整体分为前后两部分计算，引入时间段中间变量，输出权重表达式的前一部分，可以进行化简得到时间段中间变量的表达式为：

31、(8)

32、考虑输出权重表达式的后一部分，利用矩阵乘法原理进行展开，可得：

33、(9)

34、于是得到时间段输出权重为：

35、(10)

36、通过迭代，就可以得到第片段对应的输出权重的表达式为：

37、(11)

38、其中，，轨道角动量在线分类模型不需要重新训练，具备较好的数据适应能力。

39、本发明所述步骤（5）中所述输入新的光斑样本，利用轨道角动量在线分类模型，计算当前光场强度样本的oam空间模态类别标签，具体表达式为：

40、(12)

41、其中，，，实现轨道角动量在线分类。

42、本发明建立了随机湍流光传输仿真模型，通过进行数值仿真，模拟了湍流条件下光束在发射端和接收端的光场强度分布，得到了接收光斑样本集合。通过数据驱动思想，构建了基于序列极限学习机的轨道角动量在线分类模型。模型自动更新在线分类模型参数，从而避免了人工调参过程，实现叠加态轨道角动量在线分类。本发明形成的分类方法，能够实现大规模数据集的在线学习，突破了物理模型分类方法造成的精度不足的瓶颈，可适用于不同的工程应用场景。

43、本发明的有益效果是

44、（1）本发明设计了流计算框架，实现了轨道角动量样本的实时采集和实时计算。

45、（2）本发明考虑了随机湍流对光参数的影响，通过随机相位屏模拟了随机湍流条件，获得接收光斑样本集合。通过数据驱动的思想建立了序列极限学习机的轨道角动量在线分类模型，突破了物理模型造成的精度不足的瓶颈。

46、（3）考虑当前样本片段的变化情况，自动更新在线分类模型参数，从而避免了人工调参过程，实现完全自动化，为复杂系统的信息化处理具有较好的工程应用价值。