Multi-factor Orbital Angular Momentum Degraded Optical Field Dataset

该数据集包含11个OAM拓扑荷类、7个大气湍流强度、4个传播距离、5个信噪比水平、每个物理条件下30个独立实现，共46,200张灰度光场强度图像，分辨率为224×224。数据集包括光场图像、类别标签、训练/验证/测试分割文件、仿真参数和物理退化元数据。This dataset encompasses 11 classes of Orbital Angular Momentum (OAM) topological charges, 7 atmospheric turbulence intensity levels, 4 propagation distances, 5 signal-to-noise ratio (SNR) levels, and 30 independent realizations for each physical condition, totaling 46,200 grayscale optical field intensity images with a resolution of 224×224. The dataset includes optical field images, class labels, training/validation/test split files, simulation parameters, and physical degradation metadata.

原始信息汇总

OAM-DeepLearning-Research 数据集详情总结

本仓库围绕轨道角动量（OAM）光场智能识别展开研究，涵盖物理仿真、退化数据集构建、深度学习识别及可解释谐波信号分析，包含两条主要研究管线。

一、公开数据集

多因素轨道角动量退化光场数据集（托管于 ScienceDB）

• DOI: 10.57760/sciencedb.42738
• CSTR: 31253.11.sciencedb.42738

数据集构成

• 11个 OAM 拓扑荷类别
• 7种 大气湍流强度
• 4种 传播距离
• 5个 SNR 信噪比等级
• 30个 独立物理条件实现
• 总计46,200张 灰度光场强度图像
• 图像分辨率： 224 × 224

全因子配置

11 OAM 类别 × 7 湍流强度 × 4 传播距离 × 5 信噪比 × 30 实现 = 46,200 张图像

数据集内容

• 光场图像
• 类别标签
• 训练/验证/测试划分文件
• 仿真参数
• 物理退化元数据

二、研究管线概览

物理OAM光场生成 → 自由空间传播 → 大气湍流 → 接收端退化 → 结构化光学观测 → 两条识别路径：

1. 深度学习识别：SE-SAM3 / CNN / ViT
2. 谐波信号分析：MC-VWLS / ULS / DAF

三、项目1：OAM退化数据集与SE-SAM3识别

技术组件

• Laguerre-Gaussian OAM 光场生成
• 角谱传播
• 大气湍流模拟
• 接收端噪声退化
• 多因素 OAM 数据集构建
• ResNet-50 基线验证
• Swin Transformer 对比
• SAM3 编码器适配
• SE 通道重标定
• 条件级鲁棒性分析

模型

• ResNet-50
• Swin Transformer (Swin-T)
• SAM3 基线
• SE-SAM3-PPI（核心模型）

SE-SAM3-PPI 处理流程

退化OAM图像 → SAM3图像编码器 → SE通道重标定 → 全局平均池化 → 11类分类头 → OAM模式预测

关键结果

在测试集上 SE-SAM3-PPI 准确率为 81.10%，相对提升：

• 较 ResNet-50：+4.35个百分点
• 较 Swin-T：+6.21个百分点
• 较 SAM3 基线：+17.40个百分点

其他评估

• OAM 阶次维度性能
• 湍流强度维度性能
• 信噪比维度性能
• 混淆矩阵分析

四、项目2：MC-VWLS谐波识别

技术组件

• OAM 叠加态仿真
• 大气湍流
• 部分孔径遮挡
• 接收端噪声建模
• 极坐标采样
• 谐波特征提取
• 有效区域掩码
• 掩码约束归一化
• 加权最小二乘拟合
• 消融实验
• 统计对比
• 运行时间基准测试

MC-VWLS 处理流程

接收OAM强度图像 → 有效区域掩码 → 极坐标采样 → 角向谐波表示 → 掩码约束归一化 → 加权最小二乘拟合 → 状态参数估计 → 离散OAM态识别

实验规模

• 32个 离散 OAM 叠加态类别
• 44,800个 基础退化样本
• 33,600个 含噪测试观测

关键结果

• 联合识别准确率： 84.8125%
• 阶次识别准确率： 89.3452%
• 相位识别准确率： 85.7917%
• 端到端运行时间： 约 2.318 毫秒/观测样本

其他分析

• 消融研究
• 两两统计比较
• 运行时间基准
• 失败案例分析
• 湍流/距离/遮挡/信噪比条件分析
• 实验一致性校验

五、技术贡献总结

1. 物理仿真：LG-OAM产生、角谱传播、大气相位屏仿真、湍流退化、接收噪声、部分遮挡建模
2. 深度学习：基于PyTorch的模型训练，涵盖 ResNet-50、Swin Transformer、SAM3编码器适配、SE模块、分类头修改
3. 信号处理：极坐标采样、谐波特征提取、掩码支持归一化、加权最小二乘拟合、鲁棒状态估计
4. 实验工程：YAML配置、数据清单管理、条件级评估、混淆矩阵、统计显著性检验、消融分析、运行时间基准、可复现性检查、自动化图表生成

六、实验环境

• CPU： AMD Ryzen 9 9900X
• 内存： 128 GB RAM
• GPU： NVIDIA GeForce RTX 5090 D v2（约24 GB显存）
• 操作系统： Windows 11 Pro
• Python： 3.11
• PyTorch： 2.7.0（CUDA 12.8）
• 环境管理： Conda

七、主要软件栈

Python、PyTorch、NumPy、SciPy、Pandas、OpenCV、Matplotlib、scikit-learn、timm、h5py、PyYAML、Git、Conda、CUDA

八、研究成果

已公开数据集

ScienceDB 数据集（DOI: 10.57760/sciencedb.42738）

审稿中论文

1. 多因素OAM退化光场数据集构建与基线验证
2. 物理结构驱动的SE-SAM3框架用于大气湍流下鲁棒OAM模式识别
3. 联合湍流与遮挡退化下离散OAM叠加态的掩码约束谐波识别

九、作者信息

曾伟（Wei Zeng），通信工程硕士候选人，上海师范大学信息与机电工程学院，研究方向包括 OAM 光通信、智能光信号识别、深度学习、计算机视觉、信号处理。

十、开源许可

仓库以 MIT License 发布。

搜集汇总

数据集介绍

构建方式

该数据集基于轨道角动量（OAM）自由空间光通信的物理机理构建，采用拉盖尔-高斯光束模拟OAM场的生成，并借助角谱传播算法模拟光束在自由空间中的传输过程。为还原真实信道中的退化条件，数据集系统性地引入了大气湍流相位屏模拟、接收端噪声叠加以及部分孔径遮挡等多种物理退化因素。在构建过程中，研究者通过全因子实验设计，穷举组合11种OAM拓扑荷数、7级湍流强度、4种传输距离与5种信噪比水平，并在每种物理条件下独立生成30次随机实现，最终形成包含46,200幅224×224灰度强度图像的完整数据集，同时附带类别标签、训练/验证/测试划分文件以及详尽的物理退化元数据。

特点

该数据集的核心特色在于其多因素耦合的退化模拟体系，将湍流、距离与噪声三大实际传输损耗因素系统性地嵌入至OAM光场生成过程，使样本空间高度贴合真实自由空间光通信场景。数据集采用全因子组合设计，实现了对物理条件空间的全面覆盖，为跨条件鲁棒性评估奠定了坚实的数据基础。此外，数据集附带的仿真参数与物理退化元数据，为物理机制可解释的深度学习研究提供了关键支撑，使其不仅适用于传统模式识别任务，更能服务于物理结构化机器学习方法的探索。

使用方法

该数据集适用于多种研究范式与算法验证。研究者可将其直接用于监督学习框架下的OAM模式识别任务，通过训练/验证/测试划分文件构建标准化评估流程，支持ResNet-50、Swin Transformer等主流视觉模型以及定制化的SAM3或SE-SAM3编码器的性能对比。数据集的多因素结构使其天然支持条件级鲁棒性分析，例如按湍流强度、传播距离或信噪比划分样本进行分维度评估。此外，借助数据集附带的物理退化元数据，研究者可进一步开展面向物理条件泛化的迁移学习、域适应及可解释性分析等前沿研究。

背景与挑战

背景概述

轨道角动量（OAM）光束因其携带的拓扑荷可提供无限维度的信息编码空间，被视为提升自由空间光通信容量的关键技术。然而，实际大气信道中的湍流、传输距离和接收机噪声等退化因素会严重扭曲OAM光场，导致模式串扰和识别精度下降。为此，上海师范大学研究者曾伟于近年构建了Multi-factor Orbital Angular Momentum Degraded Optical Field Dataset，该数据集基于物理仿真，系统模拟了11种OAM拓扑荷在7级湍流、4种传输距离和5种信噪比下的退化光场，共包含46,200幅224×224灰度图像，并配套完整的训练/验证/测试划分及物理退化元数据。该数据集提供了高质量的标准评测基准，为OAM智能识别算法从理想化仿真向实际大气环境过渡搭建了重要桥梁，对推动OAM光通信中的深度学习应用具有显著促进作用。

当前挑战

该数据集的研究与应用面临多重挑战。首先，大气湍流导致的随机相位扰动、传输距离引起的能量扩散、以及接收端噪声，使得退化OAM光场模式高度混淆，传统识别算法难以区分高维拓扑荷态，且不同退化因素之间呈现复杂的非线性耦合，增加了特征分离的难度。其次，在数据集构建过程中，需精确模拟Laguerre-Gaussian场的生成、角谱传播及湍流相位屏，计算复杂度高，且需确保30次独立实现以覆盖随机统计特性，保证全因子组合（11×7×4×5）的物理一致性。此外，现有深度模型（如ResNet-50、Swin Transformer）在退化条件下性能大幅下降，提升幅度有限，而基于物理结构的SE-SAM3和MC-VWLS等方法虽表现出潜力，但其跨条件泛化性、实时性及可解释性仍需进一步验证，未来如何平衡识别精度与计算效率，仍是关键难题。

常用场景

经典使用场景

该数据集的核心应用场景聚焦于轨道角动量（OAM）光场在自由空间光通信链路中的智能模式识别。通过系统性引入大气湍流、传输距离和接收机噪声等多维物理退化因素，该数据集为训练和验证深度学习模型提供了高度接近真实环境的光强图像样本。研究者可借助该数据集开展OAM模式分类、退化条件下鲁棒性评估等经典任务，其全因子实验设计覆盖11类拓扑荷、7级湍流强度、4种传输距离和5档信噪比，为光学模式识别算法的性能提供了标准化的基准测试平台。

解决学术问题

该数据集直面自由空间光通信中OAM模式受大气湍流和噪声干扰而失真、导致传统识别方法精度骤降的学术难题。借助涵盖多因素退化的46,200幅标注图像，它填补了物理仿真数据与真实通信场景之间的鸿沟，使研究者能够在受控条件下系统探索退化机制对模式可辨识度的影响。该数据集的发布推动了基于数据驱动的OAM识别研究由理想化假设迈向实际信道条件，为光通信鲁棒性算法设计提供了可复现的公共参照，并显著促进了该领域内深度学习与物理先验知识的融合研究。

衍生相关工作

围绕该数据集已衍生了多项具有代表性的研究工作。一方面，以SE-SAM3为代表的物理结构化深度学习框架被提出，通过通道重校准机制增强了网络对退化特征的提取能力，显著提升了识别精度；另一方面，MC-VWLS等免训练的谐波识别方法展现了基于信号处理的OAM态解译新路径，其结合极坐标采样与掩蔽加权拟合，为资源受限场景提供了高效解决方案。这些工作共同构建了从深度模型到传统算法的互补生态，后续研究进一步探索了条件级鲁棒性分析、跨距离泛化及多因素联合退化下的基准评估，持续拓展了该数据集在可解释识别与智能光通信领域的应用边界。