基于深度学习的环芯光纤精确模式分解方法

提出了一种无需预训练的卷积神经网络（CNN）模式分解（MD）算法,该算法利用具有不同感受野的分支结构提升神经网络的学习能力,用于对环芯少模光纤（FM-RCF）复杂耦合进行高精度表征。在仿真测试中,所提方法的模态相对相位和模态权重误差分别减小为传统CNN-MD的1/8与1/5。实验中利用CCD采集RCF输出端实际光斑图像作为算法输入,对3个模式叠加状态下的光斑进行模态权重和相对相位分析,得到重建光斑与实际光斑之间的相似度高于90%。所提算法不易陷入局部最优且无需迭代,处理时间为ms量级,可为RCF的模式表征及性能预测提供理论与技术支持。