《Optics & Laser Technology》:An inception-based three-branch network for joint mode group classification and few-mode fiber mode decomposition
编辑推荐:
摘要在实际光纤传输中,激发的光场通常同时激活相邻的模式组,这给少模光纤模分解(MD)的联合分类与回归任务带来了巨大挑战。为了解决这一问题,本文提出了一种新颖的多任务深度学习模型。该模型基于 InceptionNet 主干网络构建,并配备了专用的三分支架构,可以同时实现模式组分
摘要
在实际光纤传输中,激发的光场通常同时激活相邻的模式组,这给少模光纤模分解(MD)的联合分类与回归任务带来了巨大挑战。为了解决这一问题,本文提出了一种新颖的多任务深度学习模型。该模型基于 InceptionNet 主干网络构建,并配备了专用的三分支架构,可以同时实现模式组分类、模权重预测和相对相位预测。在五个构建的模式组数据集(3、5、6、8 和 10 模)上的实验结果表明,所提出的模型实现了 99.88% 的高分类准确率。相应的模权重误差分别为 0.48%、0.49%、0.52%、0.52% 和 0.63%,相对相位误差分别为 0.50%、0.65%、0.70%、0.83% 和 1.18%。此外,重建强度分布与原始强度分布之间的皮尔逊相关系数(PCC)达到 99.59%,验证了所设计的三分支结构的有效性。与现有的 MD 联合分类 - 回归模型进行综合比较表明,所提出的模型在分类精度、模系数预测准确性和噪声鲁棒性方面表现出显著的优越性,为实际 MD 应用在分类准确率、预测性能和噪声鲁棒性方面提供了可靠的解决方案。
引言
近年来,全球数据流量经历了爆炸式增长,这对传统单模光纤通信系统构成了严峻的容量挑战 [1]。为了解决此类容量瓶颈 [2],基于少模光纤(FMF)的模分复用技术 [3] 已成为一种有前途且有效的通信容量扩展解决方案。然而,FMF 内传输的光场源自多个正交本征模式的复杂叠加。准确获取单个模系数对于接收端有效的通道内信号解复用至关重要。与空间光测量方案相比,基于深度学习的模分解(MD)技术 [4] 可以通过数据驱动训练,直接从混合光场强度分布中预测叠加模式的模权重和相对相位,在高效性和重建精度方面表现出显著优势。
自 An 等人 [4] 于 2019 年首次将 VGG 模型引入模分解以来,各种提高精度的基于深度学习的 MD 方法被不断开发出来。例如,Fan 等人 [5] 构建了一个融合近场和远场强度图像的卷积神经网络模型,在 6 模分解任务中实现了 0.97% 的模权重误差和 1.95% 的相对相位误差。Tian 等人 [6] 提出了一种基于多任务学习的 MD 框架,在 8 模分解中取得了 0.58% 的模权重误差和 1.55% 的相对相位误差,同时保持重建相关性高于 99%。尽管 Zhao 等人 [7] 已将 MD 方法扩展到 10 模场景,但不断增加的模式数量不可避免地加剧了模式混叠,他们工作中报告的重建相关性下降至约 98%,表明与低阶情况相比,重建保真度出现了明显退化。此外,大多数现有方法将 MD 任务视为纯回归问题,这需要预定义模式组合,并且仅预测相应的模系数。在实际应用场景中,被测光纤中实际激发的模式组合通常是未知的,这使得该问题本质上与模式分类耦合。为了解决这个问题,Yan 等人 [8] 于 2024 年提出了一种联合分类和回归的 MD 模型,该模型可以同时从输入的近场强度分布中识别模式组类别并预测模系数。然而,该方法仅限于三个模式组,且最多支持六种叠加模式。此外,其对模系数的预测精度仍低于传统基于回归的 MD 模型,在模式分类和模系数预测方面仍有相当大的性能提升空间。
为了解决现有 MD 方法的上述缺陷,本文提出了一种基于 InceptionNet 主干网络的新型三分支神经网络架构。专门设计的多分支框架使模型能够自适应地容纳模式分类和模系数回归任务。配备有主干网络后的特征金字塔网络结构,所提出的方法提取具有空间维度和语义维度一致的多尺度特征表示,允许每个分支自适应地学习任务特定的特征分布。实验结果表明,所提出的模型在五种叠加场景(即 3 模、5 模、6 模、8 模和 10 模组)中取得了卓越的性能。模型在模式组识别方面实现了 99.88% 的高分类准确率。在模系数预测方面,五个模式组的平均模权重误差分别为 0.48%、0.49%、0.52%、0.52% 和 0.63%,相应的相对相位误差分别为 0.50%、0.65%、0.70%、0.83% 和 1.18%。此外,从预测的模系数重建的光场强度图像在所有测试组中实现了平均 99.59% 的皮尔逊相关系数。如此优越的定量结果显著优于现有的联合分类 - 回归 MD 模型,证明了所提出方法出色的光场重建精度和强大的泛化能力。
章节片段
深度学习网络模型
图 1 展示了所提出的三分支网络框架。关键贡献是一种任务驱动的解耦多任务架构,结合了成熟的网络组件与特定分支的特征增强策略,以适应分类、模权重预测和相对相位恢复的异构需求。该模型采用增强型 InceptionNet V3 架构作为其核心主干网络,由一个 Stem 模块和三个 InceptionNet
实验设置
本工作中的所有数值实验都在配备 NVIDIA 4060 GPU 和 AMD Ryzen 5 5600X CPU 的计算机平台上实现。模拟数据集是使用 COMSOL Multiphysics 为阶跃折射率少模光纤构建的,其核心半径为 12 μm,数值孔径为 0.1204,对应于工作波长 1550 nm 时 V 值约为 5.86。模型训练和测试均在 PyCharm 平台上进行。训练参数设置为
结论
本文提出了一种集成 InceptionNet 和 Transformer 的三分支网络架构,用于少模光纤模分解的联合分类和回归任务。为实际多模式组传输场景构建,所提出的模型可以同时从输入的近场强度图像中识别模式组类别并预测精确的模系数,有效解决了单光纤传输中混合模式组分解的挑战
CRediT 作者贡献声明
Xingyue Duan:撰写 – 初稿,方法论。Yingxin Lai:数据管理。Shuqin Lou:形式分析。Xin Wang:撰写 – 审阅与编辑,监督。
资助
本工作得到了中央高校基本科研业务费专项资金(项目编号 2026JBZX046)的资助,以及中国国家自然科学基金委员会(NSFC)(项目编号 62205014)的资助。
利益冲突声明
作者声明,他们没有已知的竞争财务利益或个人关系,这些关系可能会影响本文报告的工作。
Xingyue Duan|Yingxin Lai|Shuqin Lou|Xin Wang