本申請(qǐng)屬于波前畸變，具體涉及一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法。

背景技術(shù)：

1、附面層是指，當(dāng)飛行器高速運(yùn)動(dòng)過(guò)程中，氣流流經(jīng)飛行器表面，受到空氣粘性影響，飛行器表面形成的一層氣流速度從零逐漸增大至主流速度的梯度空氣層，也稱邊界層。根據(jù)性質(zhì)不同，附面層主要分為層流和湍流兩種類型：當(dāng)附面層厚度較小時(shí)，附面層內(nèi)的流速梯度很大，粘滯應(yīng)力的作用也很大，此時(shí)的附面層內(nèi)的流動(dòng)屬于層流，當(dāng)雷諾數(shù)達(dá)到一定數(shù)值時(shí)，附面層中的層流經(jīng)過(guò)一個(gè)過(guò)渡區(qū)后轉(zhuǎn)變?yōu)橥牧?。在大氣中?biāo)定的運(yùn)行高度和馬赫數(shù)，鄰近氣動(dòng)表面都存在湍流附面層，當(dāng)光通過(guò)飛機(jī)光學(xué)窗口附近的附面層時(shí)，會(huì)引起各種各樣的附面層效應(yīng)，并且會(huì)在探測(cè)器上導(dǎo)致strehl損失、光束擴(kuò)散和光束傾斜。因此附面層是研究機(jī)載量子保密通信過(guò)程中無(wú)法回避的一項(xiàng)關(guān)鍵問(wèn)題。

2、隨著信息時(shí)代的快速發(fā)展，信息安全已成為全球范圍內(nèi)的關(guān)注焦點(diǎn)。量子密鑰分發(fā)(quantum?key?distribution，qkd)作為一種基于量子力學(xué)原理的安全通信方式，具有不可破解性和信息傳輸?shù)陌踩?，被視為保障信息安全的重要手段。機(jī)載qkd系統(tǒng)則是將這種安全通信方式應(yīng)用于航空領(lǐng)域，以確保空中通信的安全性和機(jī)密性。考慮到機(jī)載平臺(tái)在建立跨越空中和空間的綜合量子網(wǎng)絡(luò)中起著關(guān)鍵作用，量子密鑰分發(fā)比光纖量子密鑰分配更具有優(yōu)勢(shì)。

3、附面層效應(yīng)會(huì)影響到量子信號(hào)的傳輸和接收，從而可能導(dǎo)致量子信號(hào)的丟失、相位失真和誤碼率的增加，降低機(jī)載qkd系統(tǒng)的性能和安全性。為了克服附面層效應(yīng)對(duì)機(jī)載qkd系統(tǒng)的影響，需要深入研究和理解附面層效應(yīng)的機(jī)理和特性，并采取相應(yīng)的技術(shù)手段來(lái)抵御其影響。已有附面層作用下的機(jī)載qkd研究中，主要以飛機(jī)-地面站為背景，而基于衛(wèi)星-飛機(jī)場(chǎng)景的qkd卻鮮有研究。作為星地之間的紐帶，基于衛(wèi)星-飛機(jī)場(chǎng)景下的qkd是未來(lái)構(gòu)建空天地一體化量子通信體系的重要組成部分，由于接收端從地面站轉(zhuǎn)移到航空平臺(tái)，更需要考慮復(fù)雜的大氣環(huán)境與附面層帶來(lái)的鏈路損耗、波前畸變、量子態(tài)退相干等影響。

技術(shù)實(shí)現(xiàn)思路

1、為了克服上述技術(shù)問(wèn)題，進(jìn)一步增強(qiáng)機(jī)載qkd系統(tǒng)的安全性和性能，本申請(qǐng)?zhí)岢鲆环N附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法，采用自監(jiān)督訓(xùn)練的網(wǎng)絡(luò)模型對(duì)附面層造成的相位畸變信息進(jìn)行預(yù)測(cè)，有效地減輕了附面層效應(yīng)引起的波前畸變，提高了耦合效率，從而在衛(wèi)星-飛機(jī)場(chǎng)景下的qkd系統(tǒng)中增加最終密鑰量的產(chǎn)生。

2、為了實(shí)現(xiàn)上述目的，本申請(qǐng)采用的技術(shù)方案如下：

3、一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法，包括：

4、構(gòu)建基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練；

5、將信標(biāo)光輸入訓(xùn)練完成的基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型中，得到信標(biāo)光波前畸變預(yù)測(cè)結(jié)果；

6、其中，自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型包括15個(gè)卷積層和3個(gè)反卷積層，在編碼階段使用3個(gè)最大池化層進(jìn)行降采樣，逐步將特征維度降低到輸入的1/8，在解碼階段使用3個(gè)反卷積層進(jìn)行上采樣，逐步將特征恢復(fù)到原始尺寸。

7、基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的初始卷積層使用kernel-size為5×5的卷積核，用于在感受野中對(duì)數(shù)據(jù)信息進(jìn)行提取，其他卷積層和反卷積層均使用kernel-size為3×3的卷積核，batch-normal層進(jìn)行批歸一化處理，并使用relu激活函數(shù)。

8、基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的輸出為單通道的波前畸變預(yù)測(cè)結(jié)果，輸出采用sigmoid激活函數(shù)將輸出壓縮到(0,1)區(qū)間，并乘π使輸出映射到(0,π)區(qū)間。

9、訓(xùn)練基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，包括：

10、將信標(biāo)光信號(hào)利用ansys軟件得到的附面層結(jié)果作為真值標(biāo)簽將真值標(biāo)簽送入衍射模型中得到實(shí)際接收信號(hào)srecv；

11、基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型通道數(shù)的為4通道，分別為未受附面層影響的理想試探信號(hào)oorigin的實(shí)部與虛部分量，以及應(yīng)經(jīng)過(guò)附面層干擾的實(shí)際接受信號(hào)oboundary的實(shí)部與虛部分量，將4通道數(shù)據(jù)輸入至基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)得到附面層的估計(jì)結(jié)果將估計(jì)結(jié)果送入衍射模型中，得到受附面層干擾的估計(jì)光信號(hào)

12、利用估計(jì)光信號(hào)與實(shí)際接收信號(hào)srecv計(jì)算損失，采用的損失函數(shù)為：

13、

14、式中，損失loss＝l22+α·l1分為兩部分，l2損失為估計(jì)光信號(hào)和實(shí)際接收信號(hào)srecv的差值求平方，l1損失表示估計(jì)光信號(hào)和實(shí)際接收信號(hào)srecv分別對(duì)應(yīng)的實(shí)部與實(shí)部，虛部和虛部的損失，α為l1損失的權(quán)重。

15、在訓(xùn)練基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型時(shí)，采用隨機(jī)大氣湍流相位屏代替附面層作用在理想試探信號(hào)作為經(jīng)過(guò)附面層干擾的實(shí)際接受信號(hào)。

16、在訓(xùn)練基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型時(shí)，訓(xùn)練設(shè)備采用nvidia?rtx3060gpu。

17、一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)系統(tǒng)，包括：

18、模型構(gòu)建與訓(xùn)練：構(gòu)建基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練；

19、波前畸變預(yù)測(cè)模塊：將信標(biāo)光輸入訓(xùn)練后的基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型中，得到信標(biāo)光波前畸變預(yù)測(cè)；

20、其中，自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型包括15個(gè)卷積層和3個(gè)反卷積層，在編碼階段使用3個(gè)最大池化層進(jìn)行降采樣，逐步將特征維度降低到輸入的1/8，在解碼階段使用3個(gè)反卷積層進(jìn)行上采樣，逐步將特征恢復(fù)到原始尺寸。

21、一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)設(shè)備，包括：

22、存儲(chǔ)器：用于存儲(chǔ)所述一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法；

23、處理器：用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法。

24、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法。

25、與現(xiàn)有技術(shù)相比，本申請(qǐng)的有益效果是：

26、采用深度學(xué)習(xí)的網(wǎng)絡(luò)模型對(duì)附面層造成的相位畸變信息進(jìn)行預(yù)測(cè)補(bǔ)償，為了解決附面層效應(yīng)引起的波前畸變的真值標(biāo)簽(ground?truth)獲取困難的問(wèn)題，提出了一種自監(jiān)督訓(xùn)練的網(wǎng)絡(luò)模型，并解決了監(jiān)督學(xué)習(xí)需要大量的標(biāo)注數(shù)據(jù)來(lái)獲得更好的表現(xiàn)，然而大量的標(biāo)注數(shù)據(jù)的獲取成本極高的問(wèn)題。

27、進(jìn)一步地，相比于直接使用復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)，本申請(qǐng)通過(guò)對(duì)信號(hào)進(jìn)行實(shí)部和虛部拆解，并在實(shí)數(shù)域進(jìn)行處理，能夠得到期望的估計(jì)結(jié)果，同時(shí)能夠大大的減少網(wǎng)絡(luò)參數(shù)量和誤差梯度反向傳播的復(fù)雜度，極大提高網(wǎng)絡(luò)的訓(xùn)練效率。

技術(shù)特征：

1.一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法，其特征在于，基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的初始卷積層使用kernel-size為5×5的卷積核，用于在感受野中對(duì)數(shù)據(jù)信息進(jìn)行提取，其他卷積層和反卷積層均使用kernel-size為3×3的卷積核，batch-normal層進(jìn)行批歸一化處理，并使用relu激活函數(shù)。

3.根據(jù)權(quán)利要求4所述的一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法，其特征在于，基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的輸出為單通道的波前畸變預(yù)測(cè)結(jié)果，輸出采用sigmoid激活函數(shù)將輸出壓縮到(0,1)區(qū)間，并乘π使輸出映射到(0,π)區(qū)間。

4.根據(jù)權(quán)利要求3所述的一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法，其特征在于，訓(xùn)練基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，包括：

5.根據(jù)權(quán)利要求4所述的一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法，其特征在于，在訓(xùn)練基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型時(shí)，采用隨機(jī)大氣湍流相位屏代替附面層作用在理想試探信號(hào)作為經(jīng)過(guò)附面層干擾的實(shí)際接受信號(hào)。

6.根據(jù)權(quán)利要求5所述的一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法，其特征在于，在訓(xùn)練基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型時(shí)，訓(xùn)練設(shè)備采用nvidia?rtx3060?gpu。

7.一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)系統(tǒng)，其特征在于，包括：

8.一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)設(shè)備，其特征在于，包括：

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法。

技術(shù)總結(jié)
一種附面層作用下基于自監(jiān)督深度學(xué)習(xí)的波前畸變預(yù)測(cè)方法，包括：構(gòu)建基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練，將信標(biāo)光輸入訓(xùn)練后的基于自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型中，得到信標(biāo)光波前畸變預(yù)測(cè)；訓(xùn)練過(guò)程為：將信標(biāo)光信號(hào)利用ANSYS軟件得到的附面層結(jié)果作為真值標(biāo)簽將真值標(biāo)簽送入衍射模型中得到實(shí)際接收信號(hào)S<subgt;recv</subgt;；將4通道數(shù)據(jù)輸入自監(jiān)督深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)得到附面層的估計(jì)結(jié)果將估計(jì)結(jié)果送入衍射模型中，得到受附面層干擾的估計(jì)光信號(hào)利用估計(jì)光信號(hào)與實(shí)際接收信號(hào)S<subgt;recv</subgt;計(jì)算損失；采用自監(jiān)督訓(xùn)練的網(wǎng)絡(luò)模型對(duì)附面層造成的相位畸變信息進(jìn)行預(yù)測(cè)，有效地減輕了附面層效應(yīng)引起的波前畸變，提高了耦合效率。

技術(shù)研發(fā)人員：于惠存,石磊,鄧志峰,唐杰,李佳豪,魏家華,唐堂,李騫
受保護(hù)的技術(shù)使用者：中國(guó)人民解放軍空軍工程大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26