0 引言

    涡旋光束具有螺旋状波前相位且携带轨道角动量（OAM）。拉盖尔-高斯（LG）光束是自由空间光（FSO）通信系统中一种较为常见的涡旋光束，其模式具有2个自由度：拓扑荷数l和径向指数p。当p=0时，涡旋光束为零阶径向LG光束；当p>0时，涡旋光束为高阶径向LG光束[1]。理论上，OAM具有无限个本征态，且携带不同OAM态的涡旋光束相互正交，因此在FSO通信中，利用不同OAM模式作为独立信道进行多路复用，可以极大提高通信系统的信道容量、通信速率和频带利用率[2]。近年来，文献[2-3]研究了同时使用角向与径向模式的OAM复用系统，发现高阶径向LG光束在FSO通信链路中接收到的信号功率更高[5]。

    在FSO通信系统的接收端，需要对收到的OAM光束模式进行高质量的识别，快速准确地检测OAM模式是保证通信质量的关键[6]。大气湍流是影响FSO系统性能退化的主要原因，大气扰动会引起波前相位随机扰动，从而导致OAM光信号的模式串扰和强度退化。传统的模式检测方法效果较差[7]，卷积神经网络（CNN）以其强大的建模和特征学习能力成为一种高精度的OAM模式识别工具。2017年，DOSTER T等人[8]证明了基于CNN的解调方法可以对复用的OAM模式进行解复用，其精度远高于传统解调方法，且对未知大气湍流和训练集大小具有鲁棒性。2018年，LI J等人[9]研究了1 000 m自由空间链路下基于CNN的模式检测方案。2019年，WANG Z等人[10]建立了一个6层CNN，实现了大气湍流下同轴复用OAM模式的识别。2020年，DEDO M I等人[11]先利用Gerchberg-Saxton（GS）算法对畸变光束进行矫正，再利用CNN进行OAM模式识别，在强湍流环境下其分类准确率为78.12%。2021年，NA Y等人[12]提出了一种大气湍流自适应神经网络，用于湍流下分数阶OAM模式的高分辨率识别，识别准确率可以达到99.2%。以上研究都具有较好的模式识别效果，但主要聚焦于p=0的涡旋光束。

    本文针对复杂大气湍流干扰、p>0的高阶复合LG光束模式识别问题，提出一种基于CNN的高阶复合LG光束的OAM模式识别模型，以较少的层数、较低的计算复杂度实现较高的模式识别准确率。

4 结束语

    本文就复杂大气湍流条件下高阶复合LG光束模式识别问题，提出了一种基于CNN的高阶复合LG光束的OAM模式识别模型，在生成多层随机相位屏仿真大气湍流的基础上，仿真验证了不同波长、不同传输距离时高阶复合LG光束OAM模式的识别效果。实验数据表明：在复杂大气湍流条件下，CNN训练100次后，当传输距离为1 km时，波长分别为850、1 310、1 550 nm的高阶复合LG光束模式识别准确率均达到98.8%以上；当波长为1 550 nm时，传输距离分别为1、2、3 km的高阶复合LG光束模式识别准确率均达到86.8%以上。本模型对提高FSO通信系统的速率和准确率均具有积极意义。