少模光纤输出光强分布分析

简短的报告

人们对多模光纤和少模光纤(fmf)重新产生兴趣，特别是在电信领域，这主要是因为人们认识到只有并行信道的应用才能应付通信系统容量的快速增长的需求。空间模分复用是目前研究较多的提供高容量光链路的方法之一。人们普遍认为，与单模光纤相比，fmf提供了提高通信容量的重要可能性和处理许多横向模式时日益复杂的信号处理之间的最佳实际平衡。少模光纤也是非电信应用领域的一个有吸引力的平台，如成像、微波光子学、光学传感以及复杂非线性时空动力学的基础研究，包括时空解和光束自清洁。fmf提供的更大的模式面积(与SMF相比)抑制了非线性效应，提高了损伤阈值，为新型大功率激光系统的发展开辟了一条道路。对FMF输出光相位的控制和测量对于许多科学和工业应用都很重要。

在使用光信号的幅度和相位的现代相干通信系统中，空间分割多路复用的实现是基于复杂和相对昂贵的多输入多输出(MIMO)处理方案，它依赖于体光学。使用多核和fmf来增加系统容量的技术挑战与需要使用自适应MIMO处理技术进行空间解复用和动态补偿差分模式组延迟有关。信号处理的复杂性随着模式的增多而迅速增长。对于电信和其他应用来说，具有较低复杂性的模式多路复用替代方法具有极大的兴趣。从实际的角度来看，高度吸引人的解决方案将是光束或脉冲的相位检索，仅从强度测量。最近，使用直接检测(仅测量强度)的三模双偏振光纤传输被证明。

在单模光纤中使用多模扰频器进行无载波相位检索相干测量，并使用二维光电二极管阵列进行了演示。需要强调的是，相位检索技术对于多模或fmf在成像、传感、高功率相干光束传输、非线性光纤、神经形态光子学、医疗应用等方面的各种当前和未来应用非常重要。在这项工作中，我们的重点不是特定的应用，而是开发一种先进的信号处理算法，可以应用于这些领域。对FMF日益增长的兴趣刺激了对光纤输出的高效光束表征算法的需求。最简单的方法是测量光束的M2因子，但它只考虑光束发散。对光束的完整描述包括对波导本征模的振幅和相位的描述。这个问题被称为模态分解(MD)。

提出了基于参考光束的数字整图和多平面光转换等方法。然而，这些方法的实施需要在接收端有一个相干辐射源，这限制了它们的适用性。许多不需要参考光束的方法已经被提出来解决MD问题。

基于数值计算的MD方法包括经典的Gerchberg-Saxton技术直线搜索和随机平行梯度下降。方法包括迭代过程，如梯度下降或遗传算法。尽管迭代方法显示出较高的精度和性能，使得一秒钟分解几次成为可能，但它们仍然对初始值敏感，并且可能停留在局部极小值。非迭代的MD方法包括使用分数阶傅里叶系统或机器学习方法。已经提出了几种神经网络结构，可以通过猜测初始模态权值分布来提高迭代方法的性能，也可以直接应用于fmf中的MD问题。使用神经网络的MD方法优于迭代方法

分解速度方法;然而，它们需要高性能的计算机、大量的内存和很长的时间来训练神经网络。此外，当光纤支持超过五种模式时，它们的应对能力也很差。参考文献中提出的基于随机平行梯度下降的迭代算法可以在三模光纤中每秒分解9张图像。一种混合遗传全局优化算法在无噪声情况下只允许六模光纤每150s分解一次，尽管它不会陷入局部极小值。