深度學(xué)習(xí)技術(shù)在空間激光通信中的應(yīng)用

黃永梅，李宏偉，賀 東，王 強，郭弘揚，王子豪，唐 薇

深度學(xué)習(xí)技術(shù)在空間激光通信中的應(yīng)用

黃永梅1,2,3，李宏偉4，賀 東1,2,3，王 強1,2,3，郭弘揚1,2,3，王子豪1,2,3，唐 薇1,2,3

（1 中國科學(xué)院光束控制重點實驗室 成都 610209 2 中國科學(xué)院光電技術(shù)研究所 成都 610209 3 中國科學(xué)院大學(xué) 北京 100049 4 南通大學(xué)智能信息技術(shù)研究中心 南通 226019）

與射頻通信相比，空間激光通信具有傳輸速率高、保密性能強、終端功耗低等優(yōu)點，目前已成為當(dāng)前通信領(lǐng)域的一個研究熱點。同時，空間激光通信也面臨著一些嚴峻的技術(shù)挑戰(zhàn)，如大氣湍流導(dǎo)致空間激光通信的信道情況十分復(fù)雜，復(fù)雜的信道會引發(fā)信號光強度起伏劇烈，信標光跟蹤與瞄準困難，接收端的信號光場波前畸變嚴重等。為了提升空間激光通信在復(fù)雜信道環(huán)境中的性能，學(xué)者們將深度學(xué)習(xí)技術(shù)引入到空間激光通信系統(tǒng)中。多項研究表明，深度學(xué)習(xí)在空間激光通信的諸多方面表現(xiàn)出了優(yōu)越的信息處理能力。對近年來深度學(xué)習(xí)技術(shù)在空間激光通信信號處理與檢測，信標光捕獲與跟蹤以及波前畸變探測與校正等方面的應(yīng)用做一全面梳理，并對用于空間激光通信的深度學(xué)習(xí)技術(shù)的前景進行展望。

空間激光通信；深度學(xué)習(xí)；信號處理；光斑；波前畸變

引 言

與射頻通信相比，空間激光通信具有傳輸速率快、能量效率高、抗干擾與保密性能強等優(yōu)勢，受到國內(nèi)外諸多學(xué)者和工程技術(shù)人員越來越多的重視，現(xiàn)已成為當(dāng)今通信領(lǐng)域的一個研究熱點。空間激光通信鏈路覆蓋范圍很廣，其終端可以搭載到衛(wèi)星平臺、空中機載平臺、地面固定或移動平臺以及水上船載平臺上，空間激光通信有望成為空天地海一體化通信網(wǎng)絡(luò)的重要組成部分[1-3]。

近幾年，空間激光通信技術(shù)得到了突飛猛進的發(fā)展，以新型探測器為代表的激光通信元器件的性能有了明顯的提升[4]，先進的調(diào)制方式和用于相干探測的信號處理算法不斷涌現(xiàn)[5,6]。然而，目前實用型的空間激光通信系統(tǒng)多處于實驗階段，一些小規(guī)模的應(yīng)用多存在于軍用領(lǐng)域和星間通信場合，近地空間激光通信系統(tǒng)依然沒有得到大規(guī)模商用。這主要源于空間激光通信還存在一些技術(shù)難點，如：在大氣湍流的影響下，光信號的強度起伏難于抑制[7,8]，光場波前畸變的探測與校正存在困難[9]等。一方面，空間激光通信系統(tǒng)需要新的信息處理算法和新的體系結(jié)構(gòu)，來克服諸如大氣湍流等不利因素帶來的技術(shù)挑戰(zhàn)，實現(xiàn)通信系統(tǒng)自身的技術(shù)進步，以適應(yīng)更高的傳輸速率與更廣泛的應(yīng)用場合。另一方面，以深度學(xué)習(xí)為代表的人工智能技術(shù)正在以前所未有的速度和廣度向多個領(lǐng)域滲透，并發(fā)揮了巨大作用。很多依靠傳統(tǒng)方法難以解決或無法解決的問題，在深度學(xué)習(xí)技術(shù)的推動下迎刃而解[10]。并且，深度學(xué)習(xí)技術(shù)，在射頻無線通信領(lǐng)域有了很多成功運用的先例，無論在網(wǎng)絡(luò)優(yōu)化還是物理層的信號處理與檢測方面[11,12]，深度學(xué)習(xí)技術(shù)都發(fā)揮了積極的作用，這也為空間激光通信提供了可靠的技術(shù)借鑒。以上兩點原因共同促成了深度學(xué)習(xí)技術(shù)與空間激光通信相結(jié)合的可能性與必要性。

本文將從通信信號處理與檢測、信標光跟蹤與瞄準、波前畸變探測與校正等幾個方面，總結(jié)深度學(xué)習(xí)技術(shù)在空間激光通信中的應(yīng)用。如無特殊說明，本文中的空間激光通信指的是自由空間激光通信；在本文中，“深度學(xué)習(xí)方法”與“人工神經(jīng)網(wǎng)絡(luò)方法”也不做嚴格區(qū)分。

1 深度學(xué)習(xí)在通信信號處理與檢測中的應(yīng)用

本文所定義的通信信號有兩個特征：其一，通信信號是攜帶被傳輸信息的信號；其二，對該信號處理與檢測的目的是恢復(fù)自身攜帶的原始信息。定義通信信號的目的是為了將其與信標光信號和用于探測光場波前的信號區(qū)別開來。

1.1 深度學(xué)習(xí)用于信道估計

與射頻無線通信類似，空間激光通信獲取必要的信道狀態(tài)，并在信號判決之前移除信道對信號的影響，這可以保證空間激光通信系統(tǒng)的可靠性，提升通信系統(tǒng)的性能。這里分別以平坦衰落信道的信道增益估計和頻率選擇性信道估計與均衡為例，說明深度學(xué)習(xí)在空間激光通信信道估計中的應(yīng)用。

1.1.1 深度學(xué)習(xí)在平坦衰落信道估計中的應(yīng)用

經(jīng)歷平坦衰落的信號一般可以用如下模型描述：設(shè)空間激光通信發(fā)射端發(fā)出的信號為，接收端接收到的信號為，且滿足

式中，I為信道增益，n為高斯白噪聲，受大氣湍流的影響，接收端接收到的信號光強是隨機起伏的。根據(jù)光強閃爍的統(tǒng)計特征，可以用Gamma-Gamma模型、負指數(shù)模型、對數(shù)正態(tài)模型來描述光強分布，信道估計的對象便是隨機起伏的信道增益I。文獻[13]，以Gamma-Gamma光強閃爍信道為背景，采用正交振幅QAM（Quadrature Amplitude Modulation）調(diào)制方式，在接收端，信號分成同相通路I0和正交通路Q0輸入到神經(jīng)網(wǎng)絡(luò)中，如圖1所示，神經(jīng)網(wǎng)絡(luò)去除信道影響之后，再將同相通路I1和正交通路Q1這兩路信號輸出。實驗結(jié)果表明：神經(jīng)網(wǎng)絡(luò)對信道信息的估計結(jié)果與實際的信道信息十分接近。

1.1.2 深度學(xué)習(xí)在頻率選擇性信道估計中的應(yīng)用

在大氣信道中存在多種不同尺寸的微粒，很多微粒對激光具有散射作用，多次散射使得激光脈沖在時域上出現(xiàn)展寬效應(yīng)。這與射頻無線通信中的多徑效應(yīng)和光纖通信中的色散效應(yīng)類似，信道呈現(xiàn)出頻率選擇性，當(dāng)數(shù)據(jù)帶寬足夠高時，會發(fā)生碼間干擾[14,15]。另有研究表明：大氣湍流也會導(dǎo)致信號的時域展寬出現(xiàn)頻率選擇性衰落[16]。頻率選擇性信道的估計與均衡是個典型的反卷積問題，解決此問題的一個有效途徑是用FIR濾波器去除碼間干擾[17]。其基本思想是：定義一個代價函數(shù)，通過訓(xùn)練碼的多次迭代，使代價函數(shù)取得最值，此時濾波器的抽頭系數(shù)即為最佳參數(shù)。通過訓(xùn)練碼求取FIR濾波器抽頭系數(shù)的過程與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，在機理上十分相似，所以用深度學(xué)習(xí)方法估計信道具有很強的可行性，并且多層神經(jīng)網(wǎng)絡(luò)的函數(shù)擬合能力更強。在空間激光通信領(lǐng)域，對通信脈沖展寬機理的研究較多，而對信道估計與均衡的算法研究較少。在射頻無線通信、可見光無線通信以及光纖通信領(lǐng)域，信道均衡是一個至關(guān)重要的研究內(nèi)容，有很多文獻致力于將深度學(xué)習(xí)用于解決信道均衡問題[18,19]，這些方法可以為空間激光通信提供有益的參考，甚至可以將這些方法移植到空間激光通信系統(tǒng)中去。

圖2 用于信道估計的自編碼器

1.2 深度學(xué)習(xí)用于信號檢測

無論是直接探測體制還是相干探測體制，信號檢測都是一個典型的分類問題，這恰好是神經(jīng)網(wǎng)絡(luò)擅長解決的問題。文獻[20]同樣采用神經(jīng)網(wǎng)絡(luò)進行信號檢測，如圖3（a）所示，該研究以QAM調(diào)制為背景，信號分同相和正交兩路，輸入到神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點個數(shù)與QAM星座點個數(shù)相同。

文獻[21]將神經(jīng)網(wǎng)絡(luò)用于空間激光通信系統(tǒng)的信號檢測。如圖3（b）所示，該網(wǎng)絡(luò)以Softmax函數(shù)為激活函數(shù)，并在接收端省去了信道估計模塊，使接收機的計算量明顯小于基于極大似然估計的信號檢測算法。圖中和分別代表未經(jīng)信道均衡和經(jīng)過信號檢測之后的信號。實驗結(jié)果表明，在可靠的信道信息輔助下，該檢測方法效果可以逼近極大似然估計算法。

由于大氣湍流的作用，接收機接收到的信號光強是變化的。特別是在強湍流情況下，光強的變化幅度很大[22]，如果將判決閾值設(shè)定為一個固定值，勢必會引起更高的誤碼率。因此，根據(jù)當(dāng)前環(huán)境，自適應(yīng)調(diào)整判決閾值顯得十分必要[23]。這種動態(tài)變化的自適應(yīng)閾值可以通過信道估計來確定，也可以通過信息位數(shù)積分的辦法進行實時更新。有學(xué)者將神經(jīng)網(wǎng)絡(luò)引入到判決閾值的實時更新過程中[24]，理論仿真和實物實驗都表明，這種基于神經(jīng)網(wǎng)絡(luò)的判決閾值調(diào)整方案，可以使激光通信系統(tǒng)逼近理想的誤碼率性能。

1.3 深度學(xué)習(xí)用于軌道角動量識別

軌道角動量OAM（Orbital Angular Momentum）作為一個可攜帶信息的空間維度，給空間激光通信增加了一個新的信息傳輸與分集復(fù)用方式。目前采用OAM維度進行信息傳輸，是空間激光通信領(lǐng)域的一個研究熱點，最近幾年涌現(xiàn)出了大量有關(guān)OAM通信的研究文獻[25-30]。從廣義上講，OAM識別也屬于信號檢測的范疇，由于識別OAM的原理與1.2節(jié)中的信號檢測區(qū)別較大，所以給予單獨討論。一個典型的使用OAM模態(tài)進行信息傳輸，且使用深度學(xué)習(xí)方法進行OAM模式識別的空間激光通信系統(tǒng)的結(jié)構(gòu)如圖4所示[31]。

圖4 基于OAM的空間激光通信系統(tǒng)

2 深度學(xué)習(xí)用于信標光的捕獲、跟蹤與瞄準

由于激光的方向性強，波束窄，所以空間激光通信與無線射頻通信和無線可見激光通信相比，有一個顯著的不同點，即空間激光通信系統(tǒng)需要對信標光進行捕獲、跟蹤和瞄準ATP（Acquisition, Tracking and Pointing）[34]，以保證鏈路暢通。多數(shù)ATP系統(tǒng)都是一個成像跟蹤控制系統(tǒng)[35-37]，其工作原理如圖5所示。

圖5 用于空間激光通信的成像跟蹤系統(tǒng)

在接收端，配備一個圖像傳感器（如CCD），該圖像傳感器對接收到的信標光光斑進行成像，若傳感器上的光斑圖像質(zhì)心位于指定位置，則認為通信系統(tǒng)兩個終端處于對準狀態(tài)，若光斑圖像質(zhì)心未落在圖像傳感器的指定位置，則需要調(diào)整接收望遠鏡的口徑朝向和快速反射鏡的姿態(tài)，使信標光光斑圖像回歸指定位置，這是一個動態(tài)的實時控制過程。要實現(xiàn)對信標光的跟蹤瞄準，首先需要對信標光光斑的質(zhì)心位置進行精準檢測，但大氣湍流會對光斑的成像質(zhì)量產(chǎn)生很大影響，見表1。

表1 不同湍流強度時的信標光圖像特征

從表中可以看出，在弱湍流情況下，提取光斑質(zhì)心，計算其所在位置并不困難。然而，當(dāng)大氣湍流強度較強時，由于光斑破碎、形狀不定、光強分布不均勻等原因，此時對光斑質(zhì)心進行檢測和跟蹤難度加大，而且跟蹤精度難以保證。

于是，有學(xué)者提出，將深度學(xué)習(xí)方法引入到光斑位置的預(yù)測問題中[38]。具體思路如圖6所示，將光斑圖像作為神經(jīng)網(wǎng)絡(luò)的輸入。整個神經(jīng)網(wǎng)絡(luò)包括五個卷積層、三個全連接層和一個長短時記憶網(wǎng)絡(luò)LSTM（Long-Short Term Memory）。每個卷積層都包含一個卷積亞層、池化亞層、偏置系數(shù)與激活函數(shù)。為了保證網(wǎng)絡(luò)收斂速度和擬合精度，除了第三個卷積層采用雙曲正切函數(shù)（tanh）作為激活函數(shù)之外，其余卷積層的激活函數(shù)均為線性整流函數(shù)（ReLU）。五個卷積層的作用是提取光斑圖像的特征，這些特征既包括每幅圖像的光斑位置信息，又包含前后兩幀圖像之間的時域關(guān)聯(lián)性信息（像素運動特征）。五個卷積層的輸出數(shù)據(jù)經(jīng)過三個全連接層處理后，轉(zhuǎn)化為一個四維向量。這個四維向量輸入到長LSTM，該網(wǎng)絡(luò)根據(jù)光斑的時間關(guān)聯(lián)性信息，擬合出光斑質(zhì)心運動軌跡方程。整個網(wǎng)絡(luò)的輸出便是光斑質(zhì)心位置的預(yù)測結(jié)果。

圖6 信標光光斑位置預(yù)測系統(tǒng)

3 深度學(xué)習(xí)用于波前畸變的感知與校正

在激光通信系統(tǒng)中，激光光束在大氣信道中受到大氣湍流的作用，接收端接收到的信號光場存在波前畸變，特別是采用大口徑望遠鏡接收光信號時，波前畸變尤為明顯[39]。波前畸變對于通信系統(tǒng)的性能影響是多方面的，此處僅舉出兩個重要的影響。第一，波前畸變嚴重影響空間光進入光纖的耦合效率[40]。望遠鏡接收到的空間光一般要經(jīng)過縮束、準直、聚焦等過程，進入光纖中進行處理。波前畸變使得光場難于聚焦，導(dǎo)致光耦合效率降低，最終影響通信系統(tǒng)的信噪比。第二，若激光通信系統(tǒng)采用相干接收體制，波前畸變會導(dǎo)致光場相位混亂，難于實現(xiàn)高質(zhì)量的相干混頻[41]。因此，波前畸變的校正對于通信系統(tǒng)，尤其是采用大口徑接收和相干探測體制的空間激光通信系統(tǒng)十分重要。

對波前畸變進行實時探測與校正的系統(tǒng)稱為自適應(yīng)光學(xué)系統(tǒng)，按照對波前畸變感知的不同方式，本文將自適應(yīng)光學(xué)系統(tǒng)分為常規(guī)自適應(yīng)光學(xué)系統(tǒng)和無波前探測自適應(yīng)光學(xué)系統(tǒng)。常規(guī)自適應(yīng)光學(xué)系統(tǒng)指的是使用專門的波前傳感器（如哈特曼傳感器）將波前畸變探測出來，然后利用校正裝置（如變形鏡）去除波前畸變。無波前探測指的是不使用專門的波前傳感器，只利用圖像傳感器上的光強分布信息，便可解算出波前畸變。深度學(xué)習(xí)在上述兩種自適應(yīng)光學(xué)系統(tǒng)中都有著廣泛的應(yīng)用[42,43]。

3.1 深度學(xué)習(xí)在常規(guī)自適應(yīng)光學(xué)系統(tǒng)中的應(yīng)用

早在1996年，便有學(xué)者將神經(jīng)網(wǎng)絡(luò)用于哈特曼傳感器的質(zhì)心檢測[44]。該神經(jīng)網(wǎng)絡(luò)輸入層共16個節(jié)點，對應(yīng)于哈特曼傳感器每個孔徑的4×4個像素，神經(jīng)網(wǎng)絡(luò)的輸出便是光斑質(zhì)心的坐標，這是一個典型的回歸問題。2014年，有南美學(xué)者將神經(jīng)網(wǎng)絡(luò)用于產(chǎn)生拉長效應(yīng)的子孔徑光斑質(zhì)心檢測[45]。此神經(jīng)網(wǎng)絡(luò)的輸入層有256個節(jié)點，對應(yīng)于每個子孔徑16×16個像素，神經(jīng)網(wǎng)絡(luò)的輸出也是質(zhì)心的坐標。解決回歸問題的神經(jīng)網(wǎng)絡(luò)與解決分類問題的神經(jīng)網(wǎng)絡(luò)相比，收斂速度較慢。2018年，中國科學(xué)院光電技術(shù)研究所的李自強等人設(shè)計了一款用于質(zhì)心檢測的新型神經(jīng)網(wǎng)絡(luò)[46]，該神經(jīng)網(wǎng)絡(luò)輸入層共有625個節(jié)點，對應(yīng)于每個子孔徑的25×25個像素點，輸出層也有625節(jié)點，將質(zhì)心檢測的回歸型問題轉(zhuǎn)化為Softmax多分類問題，最終實現(xiàn)了在強光干擾和低信噪比下使用哈特曼傳感器進行高精度質(zhì)心檢測。

3.2 深度學(xué)習(xí)在無波前探測自適應(yīng)光學(xué)系統(tǒng)中的應(yīng)用

與上文光斑位置預(yù)測問題類似，用深度學(xué)習(xí)技術(shù)通過圖像傳感器的光強分布獲取光場波前畸變信息的基本架構(gòu)是將圖像傳感器獲取的光強分布圖像作為神經(jīng)網(wǎng)絡(luò)的輸入，神經(jīng)網(wǎng)絡(luò)的輸出為Zernike系數(shù)。用到的神經(jīng)網(wǎng)絡(luò)類型主要有卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶神經(jīng)網(wǎng)絡(luò)和深度強化學(xué)習(xí)等。2019年，有日本學(xué)者將經(jīng)過處理的單幅光強圖像輸入到Xception卷積神經(jīng)網(wǎng)絡(luò)中[47]，得到了32階Zernike系數(shù)。為了提升波前畸變的探測速率，同年，北京郵電大學(xué)的相關(guān)學(xué)者，用深度神經(jīng)網(wǎng)絡(luò)作為無波前探測自適應(yīng)光學(xué)系統(tǒng)控制器的核心，有效提升了控制系統(tǒng)的反應(yīng)速度[48]。2020年，Vera等人采用WFnet型卷積神經(jīng)網(wǎng)絡(luò)[49]，該網(wǎng)絡(luò)可以節(jié)省大量的運算開銷，其波前探測的更新速度可以達到1×103Hz以上。為了避免卷積神經(jīng)網(wǎng)絡(luò)出現(xiàn)梯度消失和飽和問題，中科院長春光機所的相關(guān)學(xué)者采用長短時記憶網(wǎng)絡(luò)來探測點目標和擴展目標的波前信息，也取得了良好的效果[50]。

以上基于深度學(xué)習(xí)的自適應(yīng)光學(xué)系統(tǒng)雖多以光學(xué)觀測為應(yīng)用背景，但也為空間激光通信的自適應(yīng)光學(xué)技術(shù)提供了有益的參考與借鑒。

4 結(jié)束語

本文以空間激光通信系統(tǒng)為應(yīng)用背景，總結(jié)了深度學(xué)習(xí)方法在激光通信系統(tǒng)中的信號處理與檢測、信標光跟蹤瞄準、波前畸變探測與校正等方面的應(yīng)用。諸多研究結(jié)果表明，深度學(xué)習(xí)技術(shù)在上述領(lǐng)域均能發(fā)揮積極作用，甚至在多個場合解決了傳統(tǒng)方法難以解決的問題。但是，目前用于空間激光通信系統(tǒng)的深度學(xué)習(xí)技術(shù)還有一些不完善之處，需要進一步提高和改進。

①實時性有待改善

激光通信的一個重要優(yōu)勢就是數(shù)據(jù)傳輸速率高，然而在有些場合，基于深度學(xué)習(xí)方法的通信系統(tǒng)的數(shù)據(jù)處理速度遠落后于數(shù)據(jù)傳輸速度。比如，在很多情況下，卷積神經(jīng)網(wǎng)絡(luò)對激光通信的軌道角動量識別需要在事后進行，這樣的處理速度讓激光通信的高速率優(yōu)勢大打折扣。

②準確性有待提高

這里仍以基于OAM的通信體制為例。在文獻[32]中，經(jīng)過20次訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)對軌道角動量模態(tài)的正確識別率為96%量級；在文獻[33]中，軌道角動量模態(tài)的正確識別率為99%量級，在文獻[25]中，對軌道角動量模態(tài)的最高識別率為99.8%量級，這些通信系統(tǒng)的誤碼率都在10–3以上，這是難以滿足實際工程需求的。

③應(yīng)用范圍有待拓展

現(xiàn)有的實際空間激光通信系統(tǒng)多為點到點通信系統(tǒng)，隨著通信系統(tǒng)復(fù)雜化與網(wǎng)絡(luò)化進程的推進，深度學(xué)習(xí)有望為復(fù)雜系統(tǒng)的資源分配問題與鏈路優(yōu)化問題提供解決方案。如多中繼協(xié)同通信中的中繼節(jié)點選擇問題、射頻激光混合鏈路中的鏈路切換問題、多用戶接入的資源分配問題等場合都需要大量復(fù)雜的優(yōu)化計算，深度學(xué)習(xí)有望為這些場景提供有益的優(yōu)化方案。

[1] MOHAMMAD A K, MURAT U U. Survey on free space optical communication: A communication theory perspective[J]. IEEE Communications Surveys & Tutorials, 2014, 16(4): 2231–2258.

[2] SAMIR A,MOHD F M, SALEM A A, et al. A survey of free space optics (FSO) communication systems, links, and networks[J]. IEEE Access, 2021, 9: 7353–7373.

[3] KAUSHAL H, KADDOUM G. Optical communication in space: Challenges and mitigation techniques[J]. IEEE Communications Surveys & Tutorials, 2017, 19(1): 57–96.

[4] DU Bingcheng, WANG Yong, WU E, et al. Laser communication based on a multi-channel single-photon detector[J]. Optics Communications, 2018, 426: 89–93.

[5] ZHANG Runzhou, HU Nanzhe, ZHOU Huibin, et al. Turbulence-resilient pilot-assisted self-coherent free-space optical communications using automatic optoelectronic mixing of many modes[J]. Nature Photonics, 2021, 15(10): 743–750.

[6] TIAN Ruotong, WU Zhiyong, MA Shuang, et al. Design and performance analysis of probabilistically shaped QAM signals for coherent FSO systems with Gamma-Gamma turbulence channels[J]. Applied Sciences, 2021, 11(21): 9805.

[7] MAGED A E. Experimental performance evaluation of weak turbulence channel models for FSO links[J]. Optics Communications, 2021, 486: 126776.

[8] BASEL M E, MOHAMED B E, ASHRAF M A. Performance analysis of MRR FSO communication system under Gamma–Gamma turbulence channel with pointing error[J]. Optics Communications, 2021, 489: 126891.

[9] CHEN Min’an, JIN Xianqing, LI Shangbin. Compensation of turbulence-induced wavefront aberration with convolutional neural networks for FSO systems[J]. Chinese Optics Letters, 2021, 19(11): 110601.

[10] DONG Shi, WANG Ping, ABBAS K. A survey on deep learning and its applications[J]. Computer Science Review, 2021, 40: 100379.

[11] QIN Zhijin, YE Hao. Deep learning in physical layer communications[J]. IEEE Wireless Communications, 2019, 26(2): 93–99.

[12] ZHANG Chaoyun, PATRAS P, HADDADI H. Deep learning in mobile and wireless networking: A survey[J]. IEEE Communications Surveys & Tutorials, 2019, 21(3): 2224–2287.

[13] AMIRABADI M A, KAHAEL M H. ALIREZA N, et al. Deep learning for channel estimation in FSO communication system[J]. Optics Communications, 2020, 459: 124989.

[14] 韓成, 白寶興, 楊華民, 等. 大氣信道對激光脈沖延遲時間影響的仿真研究[J]. 光學(xué)學(xué)報, 2009, 29(8): 2046–2050.

HAN Cheng, BAI Baoxing, YANG Huamin, et al. Study and simulation of air influences on laser pulse transmission delay time[J]. Acta Optica Sinica, 2009, 29(8): 2046–2050.

[15] 陳純毅, 楊華民, 姜會林, 等. 激光脈沖云層傳輸時間擴展與信道均衡[J]. 兵工學(xué)報, 2008, 29(11): 1325–1329.

CHEN Chunyi, YANG Huamin, JIANG Huilin, et al. Temporal dispersion of laser pulse through clouds and channel equalization[J]. Acta Armamentarii, 2008, 29(11): 1325–1329.

[16] 王佳, 俞信. 自由空間激光通信系統(tǒng)中光脈沖展寬問題的研究[J]. 光學(xué)技術(shù), 2009, 35(1): 80–83.

WANG Jia, YU Xin. The research of pulse stretch in free-space optical communication[J]. Optical Technique, 2009, 35(1): 80–83.

[17] XIANG Yong, NG S K. An approach to nonirreducible MIMO FIR channel equalization[J]. IEEE Transactions on Circuits and SystemsⅡ: Express Briefs, 2009, 56(6): 494–498.

[18] CHENG Xing, LIU Dejun, WANG Chen, et al. Deep learning-based channel estimation and equalization scheme for FBMC/OQAM systems[J]. IEEE Wireless Communications Letters, 2019, 8(3): 881–884.

[19] MEHRAN S, VAHID P, ALI M, et al. Deep learning-based channel estimation[J]. IEEE Communications Letters, 2019, 23(4): 652–655.

[20] ZOU Cong, YANG Fang, SONG Jian, et al. Channel autoencoder for wireless communication: State of the art, challenges, and trends[J]. IEEE Communications Magazine, 2021, 59(5): 136–142.

[21] AMIRABADI M A, KAHAEI M H, NEZAMALHOSSEINI S A. Deep learning based detection technique for FSO communication systems[J]. Physical Communication, 2020, 43: 101229.

[22] 易湘. 大氣激光通信中光強閃爍及其抑制技術(shù)的研究[D]. 西安: 西安電子科技大學(xué), 2013.

[23] KE Xizheng, JI Xukuan. Research on adaptive threshold of received signal in communication system[J]. Optics and Photonics Journal, 2021, 11(1): 1–11.

[24] MEHMET S. Artificial neural network-based threshold detection for OOK-VLC Systems[J]. Optics Communications, 2020, 460: 125107.

[25] LI Jin, ZHANG Min, WANG Danshi, et al. Joint atmospheric turbulence detection and adaptive demodulation technique using the CNN for the OAM-FSO communication[J]. Optics Express, 2018, 26(8): 10494–10508.

[26] SHIMAA A, EI M, HOSSAM M H, et al. Performance analysis of 3D video transmission over deep-learning-based multi-coded n-ary orbital angular momentum FSO system[J]. IEEE Access, 2021, 9: 110116–110136.

[27] El M A, ABDERRAHMEN T, BOON S O, et al. OAM mode selection and space–time coding for atmospheric turbulence mitigation in FSO communication[J]. IEEE Access, 2019, 7: 88049–88057.

[28] LI Zhaokun, SU Jianbo, ZHAO Xiaohui. Two-step system for image receiving in OAM-SK-FSO link[J]. Optics Express, 2020, 28(21): 30520–30541.

[29] IVAN B D, JAIME A A, BANE V. Error-correction coded orbital-angular-momentum modulation for FSO channels affected by turbulence[J]. Journal of Lightwave Technology, 2012, 30(17): 2846–2852.

[30] El M A, BOON S O, MOHAMED S A. A unified statistical model for atmospheric turbulence-induced fading in orbital angular momentum multiplexed FSO systems[J]. IEEE Transactions on Wireless Communications, 2019, 19(2): 888–900.

[31] 龔標. 基于深度學(xué)習(xí)的OAM大氣激光通信系統(tǒng)解調(diào)技術(shù)研究[D]. 北京: 北京郵電大學(xué), 2021.

[32] 南久航, 韓一平. 雙路多進制渦旋激光通信[J]. 光學(xué)學(xué)報, 2021, 41(12): 61–70.

NAN Jiuhang, HAN Yiping. Dual-Channel multiband vortex optical communication[J]. Acta Optica Sinica, 2021, 41(12): 61–70.

[33] JIANG Shiqing, CHI Hao, YU Xianbin, et al. Coherently demodulated orbital angular momentum shift keying system using a CNN-based image identifier as demodulator[J]. Optics Communications, 2019, 435: 367–373.

[34] YAGIZ K, ROBERTO R C, FENG Jianghua, et al. A survey on acquisition, tracking, and pointing mechanisms for mobile free-space optical communications[J]. IEEE Communications Surveys & Tutorials, 2018, 20(2): 1104–1123.

[35] 蔡華祥. 望遠鏡中跟蹤架的擾動補償及精密控制技術(shù)研究[D]. 成都: 中國科學(xué)院研究生院(光電技術(shù)研究所), 2016.

[36] 蘇艷蕊. 量子激光通信望遠鏡跟蹤控制技術(shù)研究[D]. 成都: 中國科學(xué)院研究生院(光電技術(shù)研究所), 2016.

[37] 亓波. 量子通信光學(xué)地面站ATP關(guān)鍵技術(shù)研究[D]. 成都: 中國科學(xué)院研究生院(光電技術(shù)研究所), 2014.

[38] 曹瑜彬. 基于深度學(xué)習(xí)的大氣光場傳輸和光斑質(zhì)心位置分析及預(yù)測[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2020.

[39] 陳莫. 基于大口徑望遠鏡的星地激光通信地面站關(guān)鍵技術(shù)研究[D]. 成都: 中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所), 2019.

[40] 趙芳. 基于單模光纖耦合自差探測星間激光通信系統(tǒng)接收性能研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2011.

[41] 曹景太. 基于自適應(yīng)光學(xué)的相干自由空間激光通信系統(tǒng)性能分析[D]. 長春: 吉林大學(xué), 2017.

[42] 李自強, 李新陽, 高澤宇, 等. 基于深度學(xué)習(xí)的自適應(yīng)光學(xué)波前傳感技術(shù)研究綜述[J]. 強激光與粒子束, 2021, 33(8): 5–17.

LI Ziqiang, LI Xinyang, GAO Zeyu, et al, Review of wavefront sensing technology in adaptive optics based on deep learning[J]. High Power Laser and Particle Beams, 2021, 33(8): 5–17.

[43] 張之光, 楊慧珍, 劉金龍, 等. 基于深度學(xué)習(xí)的無波前探測自適應(yīng)光學(xué)系統(tǒng)研究進展[J]. 強激光與粒子束, 2021, 33(8): 53–68.

ZHANG Zhiguang, YANG Huizhen, LIU Jinlong, et al. Research progress in deep learning based WFS-less adaptive optics system[J]. High Power Laser and Particle Beams, 2021, 33(8): 53–68.

[44] DENNIS A M, BYRON M W, MICHAEL C R, et al. Use of artificial neural networks for Hartmann-sensor lenslet centroid estimation[J]. Applied Optics, 1996, 35(29): 5747–5757.

[45] MELLO A T, KANAAN A, GUMAN D, et al. Artificial neural networks for centroiding elongated spots in Shack–Hartmann wavefront sensors[J]. Monthly Notices of the Royal Astronomical Society, 2014, 440(3): 2781–2790.

[46] LI Ziqiang, LI Xinyang. Centroid computation for Shack-Hartmann wavefront sensor in extreme situations based on artificial neural networks[J]. Optics Express, 2018, 26(24): 31675–31692.

[47] YOHEI N, MATIAS V, RYOICHI H, et al. Deep learning wavefront sensing[J]. Optics Express, 2019, 27(1): 240–251.

[48] TIAN Qinghua, LU Chenda, LIU Bo, et al. DNN-based aberration correction in a wavefront sensorless adaptive optics system[J]. Optics Express, 2019, 27(8): 10765–10776.

[49] CAMILO W, FELIPE G, ESTEBAN V. Improved training for the deep learning wavefront sensor[C]// SPIE Astronomical Telescopes + Instrumentation, 2020.

[50] XIN Qi, JU Guohao, ZHANG Chunyue, et al. Object-independent image-based wavefront sensing approach using phase diversity images and deep learning[J]. Optics Express, 2019, 27(18): 26102–26119.

Application of deep learning technology in free space laser communication

HUANG Yongmei1,2,3, LI Hongwei4, HE Dong1,2,3, WANG Qiang1,2,3, GUO Hongyang1,2,3, WANG Zihao1,2,3, TANG Wei1,2,3

（1. Key Laboratory of Optical Engineering, Chinese Academy of Sciences, Chengdu 610209, China;2. Institute of Optics and Electronics, Chinese Academy of Sciences, Chengdu 610209, China;3. University of Chinese Academy of Sciences, Beijing 100049, China;4. Nantong University Research Center for Intelligent Information Technology, Nantong 226019, China）

To compare with radio communication, free space laser communication is owning to higher data rate, higher security and less power dissipation, has become one of the research hotspot. However, the performance of free space laser communication is limited to some factors, such as signal fluctuation, the difficulties of tracking and pointing mechanism, and the wavefront aberration caused by atmosphere turbulence. In order to improve the performance in complex environment, the deep learning method is introduced to free space laser communication. Various studies have shown that the deep learning method can process signal with obvious advantages in many aspects of free space laser communication. This paper makes a review of the deep learning method used for free space laser communication signal processing and detection, the tracking and pointing mechanism, and wavefront aberration detection and correction. Finally, the prospect of deep learning technology for FSOC is prospected.

Free space laser communication; Deep learning; Signal processing; Beacon image; Wavefront aberration

V443+.1

A

CN11-1780(2022)04-0089-08

10.12347/j.ycyk.20220411001

黃永梅, 李宏偉, 賀東, 等.深度學(xué)習(xí)技術(shù)在空間激光通信中的應(yīng)用[J]. 遙測遙控, 2022, 43(4): 89–96.

10.12347/j.ycyk.20220411001

: HUANG Yongmei, LI Hongwei, HE Dong, et al. Application of deep learning technology in space laser communication[J]. Journal of Telemetry, Tracking and Command, 2022, 43(4): 89–96.

2022-04-11

2022-06-09

Website: ycyk.brit.com.cn Email: ycyk704@163.com

黃永梅 1969年生，研究員，博士生導(dǎo)師，主要研究方向為空間激光通信與智能控制。

李宏偉 1985年生，博士，副教授，主要研究方向為空間激光通信和信號處理。

賀 東 1983年生，研究員，碩士生導(dǎo)師，主要研究方向為空間激光通信和信號處理。

王 強 1975年生，研究員，碩士生導(dǎo)師，主要研究方向為光電跟蹤系統(tǒng)的電控系統(tǒng)設(shè)計。

郭弘揚 1993年生，博士，助理研究員，主要研究方向為空間激光通信與圖像智能檢測。

王子豪 1998年生，博士研究生，主要研究方向為模糊圖像檢測和復(fù)原。

唐 微 1998年生，博士研究生，主要研究方向為望遠鏡失調(diào)檢測和校正。

(本文編輯：潘三英)