从设计到制造自由曲面衍射光学元件的高通量框架，用于光束整形

《Optics & Laser Technology》：A high-throughput framework from design to fabrication of freeform diffractive optical elements for beam shaping

针对传统紫外非视距（NLOS）通信信道建模的局限性，本文提出基于条件Wasserstein生成对抗网络（CWGAN-GP）的建模方法。通过搭建近千米实时传输实验平台，采集不同湍流强度（无、弱、中、强）的实测数据训练模型，并验证其在时间域波形、KL散度、95%分位数区间及功率谱密度等指标上优于传统BiLSTM方法，尤其在捕捉中等到强湍流统计特性方面表现优异。研究为长距离或大仰角NLOS紫外通信系统设计提供了更高效、可靠的数据驱动建模方案。

　　太阳能盲区紫外通信因其低太阳背景噪声、强大的非视距（NLOS）传输能力和高保密性，为太空与地面通信及其他特殊应用场景提供了创新性的解决方案。然而，在NLOS紫外通信中，接收到的信号会受到复杂且多变的湍流影响，导致信号出现不可预测的波动。因此，建立精确的NLOS紫外通信信道模型对于深入研究和分析复杂环境下的紫外通信至关重要。

传统的信道建模方法主要依赖于数值仿真，但这种方法存在诸多局限性。例如，在NLOS场景中，对湍流的描述不够准确，限制了信道参数的计算范围，同时噪声建模也显得不足。为了解决这些问题，本文提出了一种基于条件Wasserstein生成对抗网络与梯度惩罚（CWGAN-GP）的紫外NLOS信道建模方案，并进行了实验验证。该方案通过构建一个支持近千米实时传输的NLOS紫外通信平台，收集了在无湍流、弱湍流、中等湍流和强湍流条件下的数据，用于模型训练。通过将生成的数据与真实数据在时域波形、Kullback-Leibler（KL）散度、时域采样点的95%分位数区间、分布特性以及功率谱密度等多个方面进行对比分析，结果表明CWGAN-GP在中等至强湍流条件下能够更准确地捕捉到信道的统计分布特性。具体而言，CWGAN-GP生成的数据与实际大气信道数据之间的KL散度小于0.06，显示出良好的匹配度。此外，本文还对典型双向长短期记忆（BiLSTM）模型的生成数据进行了比较，结果表明基于CWGAN-GP的建模方案在多个指标上均优于BiLSTM方案，特别是在长距离或大仰角的NLOS紫外信道建模中表现更为出色。这项研究不仅验证了数据驱动的深度学习模型在特定NLOS紫外信道场景中的有效性，也为未来信道建模方法的发展提供了新的思路。

紫外通信因其独特的散射传播机制，能够在没有直接视距的情况下实现通信，这使其在复杂环境中具有显著优势。同时，紫外通信还具备高本地保密性和良好的气候适应性，成为一种有前景的替代方案。在太空与地面通信中，建立可靠的通信链路是一项关键挑战，而太阳能盲区紫外波段的引入为这一问题提供了新的解决方案。紫外光的强非视距传输能力和较低的太阳背景辐射干扰，使其在复杂和遮挡环境中仍能保持通信的稳定性和安全性。此外，紫外信号的散射机制也使得其能够实现远距离传播，这与传统的射频（RF）和可见光视距（LOS）系统相比，具有明显的性能优势。

随着对紫外通信研究的深入，其在非视距光学通信中的应用逐渐受到关注。在这一背景下，信道模拟和通信系统设计成为研究的重要组成部分，因为这些过程能够对信号传输过程进行详细的建模和分析。然而，传统的模型驱动方法在实际应用中存在一定的限制。首先，这些方法通常适用于具有明确数学理论的场景，对于缺乏解析解的复杂情况则难以适用。其次，构建一个完整的紫外通信模拟系统是一项复杂且耗时的任务，需要专业知识和大量计算资源，这使得商业软件的成本较高且不具备开放性。此外，在系统模拟中，测试数据需要依次通过各个模型模块，这种嵌套结构和重复迭代操作会导致较长的计算时间。因此，需要一种更加先进的建模方法，从根本上重新思考光学通信系统的架构设计。

近年来，深度学习技术的快速发展为构建高效、数据驱动的信道模型提供了新的可能性。深度学习作为一种跨学科的工具，已经在自然语言处理、大模型、室内定位等多个领域取得了显著成果。在无线和光学通信中，基于自编码器的端到端学习方法成为实现全局优化的一种有前景的解决方案，因为其需要一个可微分的信道模型。然而，传统信道模型的不可微性限制了其在自编码器参数学习过程中的梯度计算能力。为了解决这一问题，研究人员开始探索能够实现端到端优化的可微分信道模型，从而提高系统的整体性能。

在紫外通信领域，研究者们也逐渐意识到深度学习方法在信道建模中的潜力。例如，一些研究通过引入深度神经网络，实现了对紫外信道统计特性的预测，显著提高了模型的准确性和灵活性。在光纤通信领域，研究人员利用双向长短期记忆（BiLSTM）网络进行建模，结果表明与传统的分步傅里叶（SSF）方法相比，BiLSTM网络在多个特征域上表现出更好的拟合效果。在自由空间光学（FSO）通信中，对比了BiLSTM、贝叶斯神经网络（BNN）和生成对抗网络（GAN）框架的学习能力，发现GAN框架在捕捉复杂信号特征方面具有显著优势。生成对抗网络最初由Goodfellow等人提出，如今已成为生成建模领域的核心技术之一。GAN通常由两个组件构成：生成器和判别器，这两个组件通过对抗训练方式同步优化。生成器的目标是生成与真实数据难以区分的数据样本，如波形或图像；而判别器的目标是正确分类给定样本是真实数据还是生成数据。通过这种最小化最大化博弈，两个网络不断优化自身：生成器学习如何更准确地逼近真实数据分布，而判别器则变得更擅长识别生成样本。因此，GAN在建模高维和高度非线性数据分布方面表现出色，能够生成高质量的合成数据。

本文提出的基于条件Wasserstein生成对抗网络与梯度惩罚（CWGAN-GP）的紫外NLOS信道建模方案，正是针对上述问题而设计的。由于目前尚无准确且易于获取的紫外通信数据用于训练网络，研究团队构建了一个高性能的紫外光通信系统，该系统基于紫外发光二极管（UV LED），并收集了千米级NLOS紫外光通信的波形数据，用于模型训练。通过将CWGAN-GP应用于深度学习模型，研究团队考虑了大气衰减、湍流引起的信号波动、路径损耗、真实收发器中的非线性效应以及热噪声和背景光噪声等因素。此外，为了全面评估对比模型在统计分布学习方面的性能，研究团队引入了多种统计指标，包括时域波形、Kullback-Leibler散度、时域采样点的95%分位数区间以及拟合的概率密度函数（PDF）。实验结果表明，基于CWGAN-GP的模型在强湍流和中等湍流条件下表现出卓越的建模能力。与传统模型相比，该模型能够更准确地捕捉紫外信道的时域特性，从而实现多样化的紫外信道波形生成。这一能力有助于深入分析湍流效应和码间干扰在NLOS场景下的影响。同时，基于CWGAN-GP的模型也证明了深度学习方法在NLOS紫外通信系统中的可行性，为未来的研究提供了新的方向。

紫外通信系统在运行过程中，不仅受到大气信道复杂干扰的影响，还受到收发器引入的非线性效应和热噪声的影响。此外，近年来的研究表明，紫外背景光噪声对系统性能具有重要影响，但目前尚缺乏适合该噪声特性的有效模型。因此，建立一个能够全面反映这些因素的信道模型至关重要。本文提出的基于CWGAN-GP的建模方案，能够综合考虑这些干扰因素，从而生成更加真实和准确的紫外信道数据。

为了验证所提出的建模方法的可行性，研究团队设计并搭建了一个支持千米级NLOS紫外通信的离线实验平台。该平台能够模拟真实的紫外通信环境，并收集不同天气条件下的信道输出数据。通过将生成的数据与真实数据进行对比，研究团队评估了模型的性能。实验结果表明，该模型在不同天气条件下均表现出良好的适应性，其生成的数据与真实数据之间的KL散度分别为0.0372和0.0217，显示出较高的匹配度。这一结果进一步验证了基于CWGAN-GP的建模方案在NLOS紫外通信中的有效性。

在紫外通信系统中，大气湍流是影响通信性能的关键因素之一。湍流会导致接收光信号的强度波动，进而影响接收信号的幅度变化。为了量化这种影响，研究团队引入了归一化方差（σ_I2）或闪烁指数（SI）作为衡量指标。σ_I2定义为（?I2? - ?I?2）/?I?2，其中I表示瞬时测量的光强度，?I?表示时间平均的光强度。根据这一指标，研究团队对不同强度的湍流条件进行了分类，并分析了它们对通信性能的影响。

此外，本文还探讨了不同天气条件下的建模性能。在500米通信距离下，当发射器和接收器的仰角均为5度时，研究团队在晴天和多云条件下分别收集了真实信道输出数据。通过比较生成信号与真实信号之间的KL散度，研究团队进一步验证了所提出模型的有效性。实验结果表明，该模型在不同天气条件下均能够保持较高的建模精度，从而为紫外通信系统的优化提供了坚实的理论基础。

综上所述，本文提出了一种基于条件Wasserstein生成对抗网络与梯度惩罚（CWGAN-GP）的紫外NLOS信道建模方案，并通过实验验证了其在不同天气条件和湍流强度下的有效性。该方案不仅能够准确拟合实际的NLOS紫外大气信道，还为未来的紫外通信研究提供了新的思路和方法。通过构建高性能的紫外通信设备和实验平台，研究团队实现了近千米级别的紫外通信，这在紫外通信领域具有重要意义。同时，所提出的模型能够有效捕捉不同湍流条件下的信道特性，为分析和优化紫外通信系统提供了有力支持。这些研究成果表明，数据驱动的深度学习方法在紫外通信建模中具有广阔的应用前景，能够克服传统方法的诸多限制，为未来通信技术的发展提供新的解决方案。