利用轨道角动量模式分解增强机器学习的环境监测
光学
2024-05-08 v3 大气与海洋物理
应用物理
数据分析、统计与概率
摘要
一个多世纪以来，大气与光的相互作用一直是许多研究人员着迷的领域。温度和风速等环境条件严重影响着传播光场经历的复杂且快速变化的光学畸变。连续的随机相位波动通常使得破译特定光学像差的确切来源变得具有挑战性。涡旋的产生是大气湍流的主要诱因，其几何结构与位于 OAM 光束中心的 optical vortices 相似。将接收到的光场分解为 OAM 可提供一种独特的空间相似性，可用于分析湍流通道。本文提出了一种新颖的模态分解辅助机器学习方法，该方法揭示了涡旋光束畸变中可训练的特征，从而能够进行有效的环境监测。这种新颖的技术可与支持向量机回归模型可靠地结合使用，在具有可控且可验证温度和风速的 36m 实验湍流自由空间通道中，通过 3s 的短时测量，测得 0.49C 的温度变化和 0.029 m/s 的风速变化。这些发现的规律性可能表明，导致特定涡旋形成的环境条件与 OAM 螺旋谱之间存在潜在的物理关系。
引用
@article{arxiv.2403.19179,
title = {Environmental monitoring using orbital angular momentum mode decomposition enhanced machine learning},
author = {Zhaozhong Chen and Ultan Daly and Aleksandr Boldin and Lenny Hirsch and Mingjian Cheng and Martin P. J. Lavery},
journal= {arXiv preprint arXiv:2403.19179},
year = {2024}
}