机器学习辅助散斑与 OAM 光谱分析以增强湍流表征
光学
2025-08-26 v3
摘要
大气湍流通过引入相位和强度畸变，降低了自由空间光通信和遥感系统的性能。虽然大多数研究侧重于减轻这些影响以确保稳健的信号传输，但一种尚未充分探索的替代方案是利用结构光的变换来表征湍流介质本身。在此，我们引入了一个深度学习框架，该框架融合了传播后的强度散斑图样和轨道角动量光谱数据，用于大气湍流参数推断。我们的架构基于修改后的 InceptionNet 主干网络，经过优化以从这些不同的光学模态中提取和整合多尺度特征。这种多模态方法实现了超过 80% 的验证准确率，显著优于传统的单模态基线。该框架在广泛的模拟湍流条件下（通过改变 Fried 参数（）和 Reynolds 数（）来量化）表现出高推断准确性和增强的训练稳定性。这项工作提出了一种可扩展且数据高效的湍流表征方法，为实现稳健的环境传感和动态 FSO 系统的优化提供了途径。
引用
@article{arxiv.2505.21878,
title = {Machine learning assisted speckle and OAM spectrum analysis for enhanced turbulence characterisation},
author = {Wenjie Jiang and Mingjian Cheng and Lixin Guo and Xiang Yi and Jiangting Li and Junli Wang and Andrew Forbes},
journal= {arXiv preprint arXiv:2505.21878},
year = {2025}
}