1.基于多模光纤模空间神经网络的全光目标回波编码器，其特征在于，它包括光学天线、多模光纤模空间神经网络模块、控制电路模块以及输出耦合模块，目标的回波光场通过光学天线耦合入经训练学习后的多模光纤模空间神经网络模块，经神经网络传输由输出耦合模块转换为一维阵列电信号，由电信号构成了一维矢量可以表征目标回波信号的主要特征，其中控制电路模块用于控制多模光纤模空间神经网络模块。
2.如权利要求1所述的基于多模光纤模空间神经网络的全光目标回波编码器，其特征在于，所述光学天线包括透镜组、物镜及窄带滤光片，透镜组负责聚焦和调整光线，物镜进一步聚焦光线并形成图像，窄带滤光片则负责过滤掉不需要的光线。
3.如权利要求2所述的基于多模光纤模空间神经网络的全光目标回波编码器，其特征在于，所述物镜的数值孔径与多模光纤模空间神经网络相匹配。
4.如权利要求1所述的基于多模光纤模空间神经网络的全光目标回波编码器，其特征在于，所述多模光纤模空间神经网络模块由多个神经网络传输层构成，每层网络由施加多个模式调控元件的多模光纤构成，神经网络通过采用不同纤芯直径的多模光纤实现降维，通过模式调控元件实现神经元权重的调节。
5.如权利要求4所述的基于多模光纤模空间神经网络的全光目标回波编码器，其特征在于，所述多模光纤模空间神经网络是通过模空间映射的方法，将神经元的传输特性映射到多模光纤中进行，在多模光纤光神经网络的输出端口以模式分量所占比例构成的矢量表征目标回波信号的特征。
6.如权利要求1所述的基于多模光纤模空间神经网络的全光目标回波编码器，其特征在于，所述多模光纤模空间神经网络的非线性运算是通过在输出网络光纤端面镀可饱合吸收介质来实现，可饱合吸收体包括石墨烯及其氧化物、MXene、黑磷纳米片。
7.如权利要求1所述的基于多模光纤模空间神经网络的全光目标回波编码器，其特征在于，所述多模光纤模空间神经网络采用在线学习的方式，通过构建多模光纤模空间神经网络编码器与计算机人工神经网络解码器的混合自编码网络对编码器进行训练，利用解码器的目标重构结果评价更新编码器与解码器的参数。
8.如权利要求1所述的基于多模光纤模空间神经网络的全光目标回波编码器，其特征在于，所述输出耦合模块由模式分离器和高速光电探测器阵列构成，通过模式分离器将多模光纤模空间神经网络的各模式分离而出，并由光电探测器探测模式对应的光强。
9.如权利要求8所述的基于多模光纤模空间神经网络的全光目标回波编码器，其特征在于，所述模式分离器可以是熔融拉锥式模式分离器，也可以由空间衍射元件构成。

技术领域
[0001]本发明涉及激光探测和人工智能的交叉领域。更具体地，涉及一种面向目标识别与检测应用的基于多模光纤模空间神经网络的全光目标回波编码器，此发明在自动驾驶、安防监控、国防军事等领域有着潜在的应用价值。
背景技术
[0002]近年来，随着人工智能、大数据等新一代信息技术的迅猛发展，目标特征提取技术已被广泛地应用于多个场景，从而可以实现高效、准确、自动化的目标识别和检测。基于深度学习的目标特征提取是利用光电探测设备、计算机及深度学习算法对目标进行特征提取，对现代工业生产、生活服务、边界安防、国土安全、军事对抗等有着重要的作用。现有的目标探测识别与检测主要基于光电面阵探测器将目标回波信号转换为电信号，传输到计算机，利用计算机人工神经网络进行处理。受限于光电转换速率、传输速度和计算机算力限制，这种架构的目标识别和检测技术在高速运动目标检测中受到了限制。
[0003]近年来，研究人员提出了光学神经网络来解决这一问题，利用光学元器件构建光学神经网络，目标回波在光学神经网络中传输过程中完成计算，实现了目标回波的感测与计算一体化。然而，直接采用光神经网络进行识别和检测，其精度和可信度难以保证。因此，利用光神经网络进行特征的提取，仅在感测端实现部分的计算功能，利用压缩后的目标回波特征信号进行重建，通过监测重建信号可保证可信度又可利用特征信号进一步实现目标识别和检测功能。这种新种感算一体化目标回波特性提取技术可以有效地解决传统目标检测系统实时性的限制，同时也可以解决全光神网络目标识别带来的可信度问题。
[0004]目前主流的全光神经网络信息处理架构的实现方案包括衍射元件光神经网络和散射介质光神经网络。衍射元件光神经网络可以光速完成图像处理运算，然而其结构较为松散，衍射元件加工完成后，其功能也确定，灵活性较差，且系统需要极高的对准精度；尽管可调相变光场调制器件的引入使得光子神经网络的可重构性得以实现，然而增大了系统的成本与复杂度。散射介质神经网络具有高紧凑性以及光速处理特性，然而光的散射过程复杂，厚散射体设计难度大，尤其是对线性与非线性散射子分布的设计，并且加工难度大。目前尚缺乏一种兼具衍射元件光神经网络以及散射介质光神经网络优异特性的全光神经网络目标特征提取的解决方案。
发明内容
[0005]为解决以上问题，本发明面向高速运动目标识别与检测应用，针对高速特征提取功能，提出一种基于多模光纤模空间神经网络的全光目标回波编码器。
[0006]基于多模光纤模空间神经网络的全光目标回波编码器，它包括光学天线、多模光纤模空间神经网络模块、控制电路模块以及输出耦合模块，目标的回波光场通过光学天线耦合入经训练学习后的多模光纤模空间神经网络模块，经神经网络传输由输出耦合模块转换为一维阵列电信号，由电信号构成了一维矢量可以表征目标回波信号的主要特征，其中控制电路模块用于控制多模光纤模空间神经网络模块。
[0007]本技术方案进一步的优化，所述光学天线包括透镜组、物镜及窄带滤光片，透镜组负责聚焦和调整光线，物镜进一步聚焦光线并形成图像，窄带滤光片则负责过滤掉不需要的光线。
[0008]本技术方案更进一步的优化，所述物镜的数值孔径与多模光纤模空间神经网络相匹配。
[0009]本技术方案进一步的优化，所述多模光纤模空间神经网络模块由多个神经网络传输层构成，每层网络由施加多个模式调控元件的多模光纤构成，神经网络通过采用不同纤芯直径的多模光纤实现降维，通过模式调控元件实现神经元权重的调节。
[0010]本技术方案更进一步的优化，所述多模光纤模空间神经网络是通过模空间映射的方法，将神经元的传输特性映射到多模光纤中进行，在多模光纤光神经网络的输出端口以模式分量所占比例构成的矢量表征目标回波信号的特征。
[0011]本技术方案进一步的优化，所述多模光纤模空间神经网络的非线性运算是通过在输出网络光纤端面镀可饱合吸收介质来实现，可饱合吸收体包括石墨烯及其氧化物、MXene、黑磷纳米片。
[0012]本技术方案进一步的优化，所述多模光纤模空间神经网络采用在线学习的方式，通过构建多模光纤模空间神经网络编码器与计算机人工神经网络解码器的混合自编码网络对编码器进行训练，利用解码器的目标重构结果评价更新编码器与解码器的参数。
[0013]本技术方案进一步的优化，所述输出耦合模块由模式分离器和高速光电探测器阵列构成，通过模式分离器将多模光纤模空间神经网络的各模式分离而出，并由光电探测器探测模式对应的光强。
[0014]本技术方案更进一步的优化，所述模式分离器可以是熔融拉锥式模式分离器，也可以由空间衍射元件构成。
[0015]相对目前现有的技术，本发明的有益优势如下：
[0016]首先，以多模光纤为光神经网络的基础器件，其本质是无源的，具有无功耗、小型化、集成度高的优势。
[0017]其次，本发明利用光神经网络进行特征的提取，仅在感测端实现部分的计算功能，利用压缩后的目标回波特征信号进行重建，通过监测重建目标可保证可信度又可利用特征信号进一步实现目标识别和检测功能。这种新的感算一体化目标回波特性提取技术可以有效地解决传统目标检测系统实时性的限制，同时也可以解决全光神网络目标识别带来的可信度问题。
[0018]另外，结合光神经网络编码器与计算机人工神经网络解码器的混合自编码网络是一种生成式网络，训练学习时无需标签，具有良好的泛化能力。
[0019]最后，本发明光神经网络编码器采用在线学习的方案，通过网络输出的特征重建信号，来优化调整模式调控元件参数，而无需对耦合模方程进行复杂的分析，解决了模式调控元件参数难以精确选择的问题。
附图说明
[0020]图1为基于多模光纤模空间神经网络的全光目标回波编码器系统图；
[0021]图2为多模光纤模空间神经网络结构示意图；
[0022]图3为编码器训练学习的流程图；
[0023]图4为最终输出的目标特征矢量图；
[0024]图5为目标原图和输出的光场散斑图；
[0025]图6为训练过程中Loss与分类准确率随训练代数的演化结果图；
[0026]图7为最终验证集分类的混淆矩阵图。
具体实施方式
[0027]为了对技术方案的技术内容、结构特征、所达到的目标和效果进行详细的描述，下面将结合特定的实施例，并配以附图进行详细的解释。
[0028]本发明实现了一种软硬件结合的自编码网络，以多模光纤作为基础硬件，并融合了多模光纤模空间映射的神经网络编码器和计算机人工神经网络解码器。这个混合自编码网络经过训练后，编码器能够有效提取目标特征，最后应用于目标重建、分类检测场景。
[0029]请参阅图1所示为基于多模光纤模空间神经网络的全光目标回波编码器系统图，该全光目标回波编码器包括光学天线1、多模光纤模空间神经网络模块2、输出耦合模块3和控制电路模块4。目标的回波光场通过光学天线1耦合入经训练学习后的多模光纤模空间映射光神经网络模块2，经多模光纤模空间神经网络模块2传输由输出耦合模块3转换为一维阵列电信号，由电信号构成了一维矢量可以表征目标回波信号的主要特征。控制电路模块4用于控制多模光纤模空间映射光神经网络模块2。
[0030]光学天线1由透镜组、物镜及窄带滤光片构成，透镜组负责聚焦和调整光线，物镜进一步聚焦光线并形成图像，窄带滤光片则负责过滤掉不需要的光线，以提高信号质量。其中物镜的数值孔径需与多模光纤模空间神经网络相匹配。在该实施例中将物镜的数值孔径设置为0.25，略高于多模光纤的数值孔径，目的是将光场有效地耦合到多模光纤端面，并有效激发本征模式。
[0031]多模光纤模空间神经网络模块2：由5个神经网络传输层构成，每层网络由施加5个模式调控元件的多模光纤构成，神经网络通过采用不同纤芯直径的多模光纤实现降维，该实施例多模光纤的纤芯直径采用105μm标准多模光纤，通过模式调控元件实现神经元权重的调节。多模光纤模空间神经网络神经元的维度变换由不同纤芯直径的多模光纤的连接来实现。参阅图2所示，为多模光纤模空间神经网络结构示意图。该实施例中采用全采样方案，并未进行模式降采样处理。多模光纤模空间神经网络是通过模空间映射的方法将神经元的传输特性映射到多模光纤中进行，在多模光纤模空间神经网络的输出端口以模式分量所占比例构成的矢量表征目标回波信号的特征。多模光纤模空间神经网络的非线性运算采用石墨烯二维材料来实现的。
[0032]多模光纤模空间神经网络是通过模空间映射的方法，将神经元的传输特性映射到多模光纤中进行，在多模光纤模空间神经网络的输出端口以模式分量所占比例构成的矢量表征目标回波信号的特征。
[0033]其实现机理如下：
[0034](1)基于多模光纤的光子神经网络传输机理
[0035]目标的回波信号光场耦合入多模光纤后，目标回波信号可以分解为多模光纤本征导模的线性叠加。
[0036]
[0037]其中，M是多模光纤支持的导模的总数，其取决于光纤的归化一传播频率；Am为分解到各模式的系数；Ψm为m阶模式的模场分布，x,y是迪卡尔空间坐标系的模场坐标。由于光纤中的导模相互正交，因此模式系数可以写为：
[0038]
[0039]Ψm*表示模场Ψm的共轭，基于公式(2)本发明可以将耦合进多模光纤的目标回波信号映射到模空间中进行传输分析，其优势在于减小了传输光场的维度。随着光场在光纤中传输，模式调制元件引入的折射率微扰将导致模式间的相互耦合，各模式系数满足耦合模方程，如公式(3)。
[0040]
[0041]其中z代表传输方向坐标，ω是光的角频率，ε0是真空中的介电常数，n为介质相对折射率，δn是折射率调制，βm与βs分别对应m和s阶的模式传播常数。κms是耦合系数，功率归一化之后可表示为：
[0042]
[0043]对于有限长度的多模光纤，公式(3)可以进一步写为：
[0044]
[0045]由公式(5)可以看出，多模光纤的模式在受到折射率调制下，会在模空间产生类似于神经元信号传递的行为，且神经元数量不会随着传递发生减小。因此，多模光纤导模传输在模空间是一个全连接线性人工神经网络，可用于特征提取的自编码网络的设计。其传递权重可通过耦合系数kms来调节。因此，目标回波光场耦合入多模光纤的光场传输特性，由模式系数的相互耦合，使得出射光场的强度分布包含目标的所有特征。通过调节模式调控元件对模空间的神经网络进行学习训练。
[0046](2)多模光纤模空间神经网络维度变换机理
[0047]由公式(1)可得，多模光纤模空间神经网络维度取决于多模光纤所支持的本征模总数M，通过控制多模光纤的纤芯直径实现多模光纤模空间神经网络维度的变换。例如，采用不同纤芯直径直接耦合，其变换系数可以表示为：
[0048]
[0049]其中EONNout是上一层神经网络的输出光场，n是新维度神经网络的神经元序号。若新的多模光纤支持模式总数为M1，则n取值为1，2，……M1。进一步优化，可以采取熔融接锥的方式将多模光纤的纤芯缓慢减小，从而实现无损的模空间降维。
[0050]多模光纤模空间神经网络中多模光纤模空间神经网络的非线性运算是通过在输出网络光纤端面镀可饱合吸收介质来实现，可选择的可饱合吸收体包括石墨烯及其氧化物，MXene，黑磷纳米片等二维材料。
[0051]多模光纤模空间神经网络采用在线学习的方式，通过构建多模光纤模空间神经网络编码器与计算机人工神经网络解码器的混合自编码网络对编码器进行训练，利用解码器的目标重构结果评价更新编码器与解码器的参数。
[0052]编码器训练学习的流程图如附图3所示，具体训练流程如下：
[0053]首先，将样本的光场输入到多模光纤模空间神经网络编码器中传输，通过该系统输出目标特征矩阵；其次，将采集的特征矩阵输入到计算机人工神经网络解码器中进行目标光场重建；随后，利用损失函数计算重建目标光场与输入光场的loss值，优选最大似然估计函数，并以此更新网络参数，包括模式调控元件电压以及计算机人工神经网络参数，分别更新编码器与解码器网络；最后，在经过所选Epoch的迭代次数后，判断最终平均Loss值是否符合预期，是则完成训练，该编码器可完成目标特征的提取，并用于分类等任务；否则需要调整网络结构，重新训练网络。
[0054]输出耦合模块3由模式分离器和高速光电探测器阵列构成，通过模式分离器将多模光纤光神经网络的各模式分离而出，并由光电探测器探测模式对应的光强。由于神经网络的传输是在模空间完成的，目标回波特性信号是由输出多模光纤所支持各本征模式的强度来表征。因此，需要通过模式分离器将分离出不同模式分量由光电探测器探测从而表征目标的特征。模式分离器主要包括两类，一类是熔融拉锥式模式选择耦合器，将多模光纤与单模光纤进行熔融拉锥。通过拉锥参数的选择将特定模式耦合到单模光纤中。该方案的缺点是，需要采用多个模式选择耦合器将模式分别耦合而出，因此在单模光纤需要控制长度来补充时域使耦合而出的各模式分量在时域上是同步的。另一种方案是采用模式空间分离技术，采用对数极坐标变换技术或准小波保角映射技术，可以将光场中的不同轨道角动量(OAM)模式分离出来。这种方案需要以OAM模间作为模空间映射的空间正交基。考虑小型化集成化设计，优选第二种方案进行模式分离。
[0055]输出耦合模块3：输出耦合模块3由模式分离器和高速光电探测器阵列构成，模式分离器利用的技术为模式空间分离，对数极坐标变换技术或准小波保角映射，可以将光场中的不同轨道角动量(OAM)模式分离出来。通过模式分离器将多模光纤光神经网络的各模式分离而出，并由光电探测器探测模式对应的光强。由于神经网络的传输是在模空间完成的，目标回波特性信号是由输出多模光纤所支持各本征模式的强度来表征。
[0056]控制电路模块4：该模块用于控制5个模式控制元件施加的电压，从而实现模空间神经网络的调节。
[0057]该实施例中基于多模光纤模空间神经网络的全光目标回波编码器拟用于交通目标的识别。在训练时采用交通目标数据集对网络进行训练。完成训练后进行交通工具目标分类任务。
[0058]该实施例中，最终输出的目标特征矢量如图4所示，包括强度与相位。其目标原图和输出的光场散斑图如图5所示。对4类样本每类300个目标的数据集进行在线训练，训练过程中Loss与分类准确率随训练代数的演化结果图如图6所示，其分类准确率达0.85以上；最终验证集分类的混淆矩阵如图7所示。
[0059]本发明采用多模光纤为神经网络硬件基础，结合多模光纤模空间映射的神经网络编码器与计算机人工神经网络解码器，构建一种软硬件混合自编码网络，利用该混合自编码网络对多模光纤模空间神经网络目标回波编码器进行训练，训练完成后的编码器可实现目标特征的提取，用于目标重建或目标分类检测等应用。由于自编码网络是一种生成式网络，网络训练时无需标签，具有良好的泛化能力。本发明所提出的全光目标回波编码器，以其高响应速度、感测计算一体化、体积小易集成等优点，在自动驾驶领域，国防军事领域等有着重要的应用价值。
[0060]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
[0061]尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。
[0062]以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。