基于改进型SPGD算法的涡旋光波前畸变校正 下载: 876次
1 引言
涡旋光携带轨道角动量(OAM)[1],能够极大地增大通信信道容量并提高频带利用率和通信效率[2]。然而,光束在大气中传播时不可避免地会受到大气湍流的影响,大气湍流引起折射率的随机起伏,使光束的波前产生畸变[3-4],影响通信质量,因此需要对畸变的波前进行校正。
目前的波前畸变校正技术主要包括夏克-哈特曼(S-H)法[5]、相位恢复(GS)算法[6]、随机并行梯度下降(SPGD)算法[7]等。近年来,关于SPGD算法的研究较多,2015年Xie等[8]结合Zernike多项式和SPGD算法对涡旋光束的波前畸变进行校正,结果表明该方法可以同时纠正多束OAM光束,且不同模式之间的串扰至少减小了5 dB。2015年Dong等[9]将基于变形镜的校正算法和SPGD算法结合,所得结果表明混合算法具有更快的收敛速度。2018年柯熙政等[10]采用无波前传感器的SPGD算法对单模和多模复用的LG光束进行波前畸变校正,这样可有效提高OAM模式纯净度和光强相关系数。
SPGD算法来源于随机逼近理论中的并行扰动随机逼近算法和神经网络中的随机梯度下降算法[11],相对于其他畸变校正算法,SPGD算法的效率更高且适用范围更广[12-13]。然而SPGD算法存在收敛过慢的问题,研究表明SPGD算法中的随机扰动电压对收敛速度有很大的影响[14]。本文结合深度学习理论中一些优化的随机梯度下降算法[15]对SPGD算法中的随机扰动电压的迭代方式进行调整,在不同湍流强度下对畸变的涡旋光进行波前校正,并分析不同算法的校正效果。
2 涡旋光在大气湍流中的传播
以拉盖尔-高斯(LG)光束为例,在自由空间中沿z轴传播的LG光束的光场表达式[16]为
表 1. 仿真参数
Table 1. Simulation parameters
|
式中:r为光束传播的径向距离;φ为方位角;z为传播距离;ω(z)为传播距离为z时LG光束等相位面上的光斑半径,ω(z)=ω0
本文采用功率谱反演法生成随机相位屏并结合多相位屏模型模拟LG光束在大气湍流中的传播。如
式中:(x,y)为相位屏上点的位置,空域内x=mΔx,y=nΔy,其中,Δx、Δy为取样间隔,m、n为整数;Kx、Ky为x、y方向的波数,波数域内Kx=m'ΔKx,Ky=n'ΔKy,其中,ΔKx、ΔKy为取样间隔,m'、n'为整数;C为常数;R(Kx,Ky)为均值为0、方差为1的高斯随机数;Fφ(Kx,Ky)为由大气折射率起伏引起的相位畸变部分的近似功率谱密度。在各向同性的湍流环境下,通常将Kolmogorov谱作为大气湍流功率谱,即
式中:Kr为三维空间波数,Kr=
式中:Δz为湍流层厚度。则涡旋光经过j+1个相位屏后的光场表达式[18]为
式中:
根据(5)式,可以仿真得到湍流影响下的LG光束,这里以l=3、p=0的LG光束为例。
图 2. 不同湍流强度影响下的LG光束的光强和相位分布。(a)自由空间;(b) =10-16m-2/3;(c) =10-15m-2/3; (d) =10-14m-2/3
Fig. 2. Intensities and phase distributions of LG beam under different turbulence intensities. (a) Free space; (b) =10-16m-2/3; (c) =10-15m-2/3; (d) =10-14m-2/3
由
3 波前畸变校正
3.1 SPGD算法及其校正原理
SPGD算法包含性能指标评价函数和迭代方法。远场峰值的斯特列尔比(SR)、光学传输函数、像清晰度等可用于评价算法性能。研究表明,涡旋光的模式纯度与光强的相关系数有关[19],因此选取光强相关系数Ck作为SPGD算法的性能评价指标[8],即
式中:θ为方位角;I(r,θ)为校正后的光强分布;Iid(r,θ)为无湍流情况下的光强分布。
SPGD算法的校正原理如
SPGD算法的第n+1次迭代框图如
1) 初始化电压参数U0={u1,u2,u3,…,uN},其中,u1,u2,u3,…,uN都为0,N为变形镜驱动器的个数。第n次迭代时的随机扰动电压Δun={Δu1,Δu2,Δu3,…,ΔuN},Δu1,Δu2,Δu3,…,ΔuN相互独立且满足伯努利分布,P(Δui)=
2) 第n+1迭代时,首先通过控制模块将正向电压Un+Δun施加给校正器,计算得到正向光强相关系数C1,n;其次通过控制模块将反向电压Un-Δun施加给校正器,通过计算得到反向光强相关系数C2,n;则第n+1次的电压Un+1=Un+μΔu(C1,n-C2,n),其中μ为增益系数。
3) 电压参量更新。将第n+1次迭代后的电压更新为Un+1。
3.2 基于动量的改进型SPGD算法
由于SPGD算法在迭代过程中产生的扰动电压是随机生成的,因此SPGD算法是一种无模型的优化算法,无法建立准确的模型来控制校正过程朝着最优的方向进行[10]。基于动量的改进型SPGD算法在对随机扰动电压的更新方式进行调整时引入了动量因子,使得随机扰动电压能够沿着梯度方向更新,从而加快算法的收敛过程。具体改进如下:
1) Momentum
式中:gn=Ñ(Δun)为第n次迭代时Δun的梯度;mn为一阶梯度修正项,其初始值取0。
Momentum是模拟物理学中动量的概念,在更新梯度时将前一次的梯度也考虑在内,积累之前梯度指数级衰减的移动平均,并使随机扰动电压继续沿着该方向进行更新,以减小振荡、加快收敛。
2) Nesterov
实际上盲目地使随机扰动电压沿着梯度方向更新不一定能够取得理想的效果,如(9)式所示,Nesterov首先使随机扰动电压在之前的梯度方向上前进一大步,然后增加了一个修正项-μαmn-1,以避免更新太快,同时提高灵敏度。
3.3 基于增益系数调整的改进型SPGD算法
与动量法不同,基于增益系数调整的改进型SPGD算法引入了梯度的二阶矩并对增益系数μ进行约束,使得算法能够根据当前状态调整增益系数μ,进而改变随机扰动电压的更新方式。具体改进如下:
1) RMSprop
式中:β为衰减因子;为了避免mn=0时分母无意义,引入小常数ξ;mn初始值取0。
RMSprop在随机扰动电压更新过程中引入了梯度的二阶矩估计,相比于动量法,(13)式中增益系数μ在分母中增加了约束项,能够根据当前状态进行调整,找到合适的方向。
2) AdaDelta
式中:E(
AdaDelta在对随机扰动电压进行更新时引入gn、Δun的均方根,由(18)式可得,相比于RMSprop,AdaDelta在迭代过程中已经不再依赖μ,减少了SPGD算法在迭代过程中的参数。
3) Nadam
式中:
Nadam在RMSprop的基础上仿照动量法引入动量因子αi对gn、mn进行修正,通过计算梯度的一阶矩估计和二阶矩估计对μ进行约束。可以看出,Nadam对μ有了更强的约束,同时对梯度的更新也有更直接的影响,vn初始值取0。
4 仿真结果及其分析
对
表 2. 各种改进型算法的参数
Table 2. Parameters of improved algorithms
|
图 5. 不同湍流强度下各种算法的光强相关系数的对比。(a) =1.0×10-16 m-2/3; (b) =1.0×10-15 m-2/3; (c) =1.0×10-14 m-2/3
Fig. 5. Comparison of light intensity correlation coefficients of various algorithms under different turbulence intensities. (a) =1.0×10-16 m-2/3; (b) =1.0×10-15 m-2/3; (c) =1.0×10-14 m-2/3
当
通过上述分析可知,相比于SPGD算法,5种改进型算法的收敛速度都有所提高,不同湍流强度下各种算法的校正效果也不尽相同,当
5 结论
涡旋光携带轨道角动量,能够提高通信效率,但涡旋光经过大气湍流时会产生波前畸变,影响通信质量,SPGD算法能够有效地对畸变的波前进行校正。结合深度学习理论中优化的梯度下降算法,对SPGD算法中随机扰动电压的迭代方式进行调整,并分析不同湍流强度下各种算法的校正效果。仿真结果表明各种算法在不同湍流强度下的校正效果、收敛速度、稳定性不尽相同,在实际运用中要结合现实需求从不同角度选择合适的校正算法,以对畸变的波前进行校正,从而得到最好的校正效果。
[1] Allen L, Beijersbergen M W. Spreeuw R J C, et al. Orbital angular momentum of light and the transformation of Laguerre-Gaussian laser modes[J]. Physical Review A, 1992, 45(11): 8185-8189.
[3] 葛筱璐, 魏功祥, 刘晓娟, 等. 湍流大气中涡旋光束的光强分布及光学涡旋的漂移[J]. 光学学报, 2016, 36(10): 1026015.
[4] 柯熙政, 王超珍. 部分相干涡旋光束在大气湍流中传输时的光强分布[J]. 激光与光电子学进展, 2016, 53(11): 110604.
[5] 高春清, 张世坤, 付时尧, 等. 涡旋光束的自适应光学波前校正技术[J]. 红外与激光工程, 2017, 46(2): 0201001.
[6] Zhao S M, Leach J, Gong L Y, et al. Aberration corrections for free-space optical communications in atmosphere turbulence using orbital angular momentum states[J]. Optics Express, 2012, 20(1): 452-461.
[7] 周朴, 王小林, 马阎星, 等. 基于随机并行梯度下降算法自适应光学系统的校正残差分析[J]. 光学学报, 2010, 30(3): 613-617.
[8] Xie G D, Ren Y X, Huang H, et al. Phase correction for a distorted orbital angular momentum beam using a Zernike polynomials-based stochastic-parallel-gradient-descent algorithm[J]. Optics Letters, 2015, 40(7): 1197-1200.
[10] 柯熙政, 王夏尧. 涡旋光波前畸变校正实验研究[J]. 光学学报, 2018, 38(3): 0328018.
[12] 马士青, 杨平, 赖柏衡, 等. 基于高效随机并行梯度下降算法的板条激光光束净化[J]. 中国激光, 2020, 47(8): 0805001.
[13] 刘立新, 张美玲, 吴兆青, 等. 自适应光学在荧光显微镜中的应用[J]. 激光与光电子学进展, 2020, 57(12): 120001.
[14] 陈波, 李新阳, 姜文汉. 大气湍流自适应光学随机并行梯度下降算法的优化[J]. 中国激光, 2010, 37(4): 959-964.
[15] 常永虎, 李虎阳. 基于梯度的优化算法研究[J]. 现代计算机, 2019( 17): 3- 8, 15.
Chang YH, Li HY. Comparison of gradient based optimization algorithms[J]. Modern Computer, 2019( 17): 3- 8, 15.
[17] 牛超君, 卢芳, 韩香娥. 相位屏法模拟高斯阵列光束海洋湍流传输特性[J]. 光学学报, 2018, 38(6): 0601004.
[18] 骆传凯, 卢芳, 苗志芳, 等. 径向阵列涡旋光束在大气中的传输与扩展[J]. 光学学报, 2019, 39(6): 0601004.
[20] Wu K, Sun Y, Huai Y, et al. Multi-perturbation stochastic parallel gradient descent method for wavefront correction[J]. Optics Express, 2015, 23(3): 2933-2944.
Article Outline
马圣杰, 郝士琦, 赵青松. 基于改进型SPGD算法的涡旋光波前畸变校正[J]. 光学学报, 2021, 41(6): 0601001. Shengjie Ma, Shiqi Hao, Qingsong Zhao. Wavefront Distortion Correction of Vortex Beam Based on Improved SPGD Algorithm[J]. Acta Optica Sinica, 2021, 41(6): 0601001.