-
题名基于机器学习检测相位畸变后的涡旋光束轨道角动量
被引量：4
- 1
-
-
作者
史晨寅
韦宏艳
贾鹏
岳新宇
-
机构
太原理工大学物理与光电工程学院
-
出处
《光子学报》
EI
CAS
CSCD
北大核心
2022年第1期319-326,共8页
-
基金
国家自然科学基金(No.61805173)
陕西省自然科学基金(No.2019JQ-901)。
-
文摘
针对涡旋光受大气湍流而产生的相位畸变问题,设计了卷积神经网络检测涡旋光束轨道角动量态。将相位畸变的拉盖尔高斯涡旋光光强图像作为样本数据输入,网络利用输入的数据集进行自主学习,经过多次迭代能够精确检测出光束高阶轨道角动量信息。仿真结果表明:在大气湍流强度不确定的情况下,模型对轨道角动量态范围为1~40、1~100、1~160的涡旋光束检测准确率分别为94%、90%、86%;在不同传输距离、不同径向指数、不同基模束腰半径以及不同波长下轨道角动量态范围为1~100的涡旋光束的检测准确率均达到78%以上,且具有很好的鲁棒性。该方法检测精度高、范围广、移植性强,可为涡旋光束轨道角动量态的检测与识别提供一种新思路。
-
关键词
涡旋光束
湍流扰动
卷积神经网络
高轨道角动量态检测
相位畸变
-
Keywords
Vortex beams
Turbulent perturbations
Convolutional neural networks
High orbit angular momentum detection
Phase disturbed
-
分类号
TN929.12
[电子电信—通信与信息系统]
-
-
题名基于深度Q网络的人群疏散机器人运动规划算法
被引量：4
- 2
-
-
作者
周婉
胡学敏
史晨寅
魏洁玲
童秀迟
-
机构
湖北大学计算机与信息工程学院
-
出处
《计算机应用》
CSCD
北大核心
2019年第10期2876-2882,共7页
-
基金
国家自然科学基金资助项目(61806076)
湖北省自然科学基金资助项目(2018CFB158)
湖北省大学生创新创业训练计划项目(201810512055)~~
-
文摘
针对公共场合密集人群在紧急情况下疏散的危险性和效果不理想的问题,提出一种基于深度Q网络(DQN)的人群疏散机器人的运动规划算法。首先通过在原始的社会力模型中加入人机作用力构建出人机社会力模型,从而利用机器人对行人的作用力来影响人群的运动状态;然后基于DQN设计机器人运动规划算法,将原始行人运动状态的图像输入该网络并输出机器人的运动行为,在这个过程中将设计的奖励函数反馈给网络使机器人能够在“环境行为奖励”的闭环过程中自主学习;最后经过多次迭代,机器人能够学习在不同初始位置下的最优运动策略,最大限度地提高总疏散人数。在构建的仿真环境里对算法进行训练和评估。实验结果表明,与无机器人的人群疏散算法相比,基于DQN的人群疏散机器人运动规划算法使机器人在三种不同初始位置下将人群疏散效率分别增加了16.41%、10.69%和21.76%,说明该算法能够明显提高单位时间内人群疏散的数量,具有灵活性和有效性。
-
关键词
深度Q网络
人群疏散
运动规划
人机社会力模型
强化学习
-
Keywords
Deep Q-Network (DQN)
crowdevacuation
motion planning
human-robotsocial force model
reinforcement learning
-
分类号
TP391.7
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的复合贝塞尔高斯光束大气湍流效应补偿
- 3
-
-
作者
杜芊芊
韦宏艳
史晨寅
薛晓磊
贾鹏
-
机构
太原理工大学光电工程学院
-
出处
《中国激光》
EI
CAS
CSCD
北大核心
2023年第22期111-117,共7页
-
基金
国家自然科学基金(61805173)。
-
文摘
相位失真是实现涡旋光束轨道角动量复用技术实际应用的主要挑战之一。本文提出了一种基于深度学习的复合贝塞尔高斯涡旋光束大气湍流效应补偿方法,以提高模态分离与检测准确度。设计的网络通过学习不同轨道角动量下畸变光束强度分布与湍流相位之间的映射关系,具备了适应未知湍流环境的泛化能力,可以有效地预测等效湍流相位屏。仿真结果表明,复合贝塞尔高斯光束在不同湍流强度下传输1000 m并经过相位补偿后,光强相关系数可提高至0.97以上;在强湍流下传输1500 m并经相位补偿后,拓扑荷数为10的模式纯度从2.43%提高至64.07%。该方法对畸变光束具有更强的特征提取能力,在快速准确预测等效湍流相位屏方面具有良好的泛化能力,有助于提高未来轨道角动量复用技术的可靠性。
-
关键词
光通信
复合贝塞尔高斯光束
大气湍流
深度学习
相位补偿
-
Keywords
optics communications
composite Bessel-Gaussian beam
atmospheric turbulence
deep learning
phase compensation
-
分类号
TN929.12
[电子电信—通信与信息系统]
-
