基于CNN图像识别的相干OAM-SK系统深入研究与 demodulation准确性

本文是一篇深入研究光学通信领域中的 Orbital Angular Momentum (OAM) 调制解调系统的论文，发表在《Optics Communications》杂志上，卷号454，2020年，编号124518。研究的焦点在于利用基于卷积神经网络 (Convolutional Neural Network, CNN) 的图像识别器作为解调器的OAM调制系统。OAM Shift Keying (OAM-SK) 是一种利用光的轨道角动量来编码信息的技术，其核心是将数据通过不同的OAM模式（基模、共轭模或多模式）在发射端传输，并在接收端采用相干或非相干检测方法。 首先，作者详细探讨了OAM模式的特性，包括它们如何承载信息以及在自由空间通道中的传播特性。OAM模式因其携带的信息容量大和空间维度高而备受关注，特别是当它能通过不同的基模来编码二进制信息时，这为高速数据传输提供了可能。然而，OAM信号在实际应用中会受到大气湍流等环境因素的影响，因此，设计一个高效的OAM-SK系统需要考虑这些因素对信号质量的影响和应对策略。 论文接着集中于CNN在OAM-SK系统中的应用。CNN以其强大的特征提取和分类能力，被设计成一种智能的图像识别器，用于区分和解码不同OAM模式的信号。通过训练，CNN能够学习到OAM模式的特征，从而实现高精度的模式识别，这对于保持系统在复杂环境下仍保持较高的解调准确性至关重要。 研究者对比了不同的OAM-SK系统配置，包括使用基模、共轭模或多模式的组合，以及选择相干或非相干的检测方法。相干检测通常能提供更高的信号保真度，但可能会受到相位噪声的影响；而非相干检测则相对简单，但解调效率可能会有所降低。论文通过理论分析和实验验证，评估了这些配置在不同应用场景下的性能优劣，以期找到最优化的设计方案。 这篇论文为OAM-SK系统的设计和优化提供了宝贵的理论基础，特别是在利用CNN进行模式识别以提高系统性能方面。这对于推动光通信技术的发展，尤其是在数据中心间的大容量数据传输和无线通信等领域，具有重要的理论指导意义。未来的研究可能继续探索如何改进CNN的训练策略，增强其抗干扰能力，以及如何更好地融合OAM-SK与其他先进的光通信技术，如多输入多输出(MIMO)系统，以实现更高效的信息传输。