【摘 要】
：
与传统平面电磁波相比,携带轨道角动量（Orbital Angular Momentum,OAM）的涡旋电磁波是一种独特的波束,具有螺旋相位结构和环形幅度场。由于OAM模式的无穷性和不同模式间的正交性,提供了一种独立于时域、频域和极化域的全新自由度。在信道扩容和提升频谱效率方面,OAM波具有极大的潜力。随着OAM技术的不断发展,如何利用结构紧凑、低成本的方案产生宽带高效率的多模OAM波束,已成为亟待
论文部分内容阅读
与传统平面电磁波相比,携带轨道角动量（Orbital Angular Momentum,OAM）的涡旋电磁波是一种独特的波束,具有螺旋相位结构和环形幅度场。由于OAM模式的无穷性和不同模式间的正交性,提供了一种独立于时域、频域和极化域的全新自由度。在信道扩容和提升频谱效率方面,OAM波具有极大的潜力。随着OAM技术的不断发展,如何利用结构紧凑、低成本的方案产生宽带高效率的多模OAM波束,已成为亟待解决的问题。而无源透射超表面（Transmission Metasurface,TMS）可对传统电磁波进行波束调控,使其产生的透射波携带OAM,恰好具有小型化、低成本、可灵活部署的优势。但目前来说,透射超表面产生的OAM波存在模式纯度不高、效率偏低的痛点。本文针对此问题,围绕OAM波的产生展开深入研究,主要工作内容和创新点如下:1)设计了一种平行条带双箭头阵列单元的Pancharatnam-Berry透射超表面,在Ku波段可实现了宽带和高模式纯度的OAM波产生。通过引入Jones矩阵构建了一种平行条带双箭头单元的散射场模型。提出了多层平行条带双箭头的周期结构,具有小于2.92 d B的透射损耗和2π的相移范围。在平行条带双箭头阵列单元的基础上,通过相位补偿算法和Pancharatnam-Berry相位原理,设计了l=±1、±2、±3的OAM透射超表面,其可稳定地产生6种模态的OAM波。加工并组装实测了l=2的透射超表面,可产生宽带且高模式纯度（＞77.2%）的OAM波。实测与仿真结果基本吻合,表明该TMS产生的OAM波束具有模式纯度高、宽带等特点。对于Ku波段的OAM波产生具有重要意义,将来可用于无人机和卫星的OAM通信中。2)设计了一种基于改进的Fabry-Perot腔的透射超表面（Fabry-Perot Cavity-Transmission Metasurface,FPC-TMS）,解决了TMS产生OAM波方向性差、效率低的问题,在X波段实现了完美的圆极化转换和多模OAM波产生的双功能。提出了基于TMS的改进Fabry-Perot谐振腔原理,并设计了由振幅-相位调控单元和Fabry-Perot极化转换单元构成的周期单元,通过单元的仿真结果证明其构成的超表面可高效率地产生OAM波。进一步,设计了模态±1、±3的FPC-TMS,通过透射幅度和相位场分布证明了在30.0λ0（900mm）的传输距离处,仍具有高指向性和稳定性。测量了FPC-TMS的极化转换率和透射效率,其极化转换率峰值为94.1%,最大透射效率为76.2%。FPC-TMS所产生的OAM波,对于X波段的OAM通信或目标探测具有较大的帮助。总之,本文所提出的透射超表面可产生高模式纯度、高效率的宽带OAM波束,为OAM通信及高精度的目标探测提供了多种模态的稳定波源,进一步扩展了OAM超表面的技术方案,对于火控雷达、无人机和卫星通信有一定意义。
其他文献
无线供能反向散射通信（Wirelessly Powered Backscatter Communication,WP-BackCom）是解决大规模物联网能量受限问题的有效技术方案之一,而大规模WP-B ackCom网络的传输性能与具有随机性和不确定性特点的网络空间位置密切相关。虽然已有研究基于随机几何理论刻画了大规模WP-BackCom网络的随机空间位置并分析了网络参数对传输性能的影响机理,但它们
雨天在户外场景中获得的图像质量受损严重,影响后续高级视觉任务（如目标检测、图像分割、图像识别等）的性能,因此单幅图像去雨作为预处理任务具有重要的研究价值。近年来,在单幅图像去雨任务中,基于深度学习的有监督算法表现出卓越的性能,尤其是对合成雨图的去雨。但对于真实雨图去雨的泛化性不强,一般归因于合成雨图像与真实雨图像之间存在域的鸿沟,导致在合成数据集上训练的有监督学习算法的泛化性能得不到保障。此外,在
卫星通信系统在提供全球无缝覆盖方面具有不可替代的优势,已被视作未来通信网络的重要组成部分。近年来,学术界和产业界都大力推进陆地和卫星通信系统的有机融合,以期建成一个基于5G生态系统的全球网络架构。然而,两者在信道特性、系统架构等方面存在较大差异,使得融合系统构建面临着巨大的困难和挑战,尤其是一些空口关键技术问题仍有待解决,例如随机接入技术。考虑到卫星信道区别于陆地系统的大频偏、大时延、大损耗等特性
在雨天场景中,雨纹会对采集到的背景图像造成严重的遮挡,导致图像信息模糊、背景能见度下降,从而进一步影响后续任务（目标检测、图像分割）的准确性。因此,单幅图像去雨任务是后续高级视觉任务的预处理步骤,通过去雨预处理操作,可进一步增强后续高级视觉任务的性能。基于数据驱动的深度学习图像去雨算法研究已经成为主流,而深度学习算法的性能主要依赖训练数据的质量和网络模型的设计。本文面向后续任务对预处理算法的部署和
高光谱图像分类是地球科学和遥感影像处理任务中最受关注的研究热点之一。高光谱图像涉及数百个不同的光谱带,在光谱信息丰富度方面比传统的全色和多光谱遥感图像更具有优势。然而,高光谱遥感图像具有数据量大、非线性和高复杂性等特点,这导致高光谱图像分类任务仍面临巨大挑战。近年来,基于深度学习的方法,尤其是神经网络,不仅具有强大的特征表示能力,而且具有很强的普适性,已经在高光谱图像分类任务上表现出卓越的性能。本
在维护公众安全以及社会稳定的过程中,视频监控系统的作用十分重要,并且随着人们日益增长的高质量视频服务的需求,高清监控摄像头已经广泛应用于我们的日常生活中。随之而来的是大量的高清监控视频。但由于视频编辑软件功能的日益强大和深度篡改技术的发展,使得对监控视频的篡改变得越来越容易。因此,如何保证监控视频内容的真实性成为研究者们关注的重要问题。为了解决该问题,各种数字视频取证技术被广泛研究,其中,视频重压
自5G商用以来,宽带无线通信技术持续快速发展,而频谱资源日趋紧张,传统通信频段已不能满足未来移动通信发展的需要。在B5G及6G系统中应用毫米波频段可以实现更快的数据速率、更大的系统容量、更高的可靠性和更低的时延等。但是毫米波面临路径损耗大,易受环境干扰,覆盖范围小等问题。尽管使用大规模多输入多输出（Massive MIMO）系统结合波束赋形（BF）技术能够有效克服毫米波通信的这部分缺陷,但也面临技
作为数字图像处理的关键技术之一,无监督图像分割由于普适性强、无需人工事先标注图像等特点得到了广泛关注。在无监督图像分割领域,粗糙模糊C-均值聚类算法由于其效率高、原理简单等优势得到了广泛研究与应用。该算法将粗糙集与模糊集理论与聚类方法相结合,利用粗糙集中的上、下近似概念和模糊隶属度来处理数据中的不完备性与模糊性。然而,传统的粗糙模糊C-均值聚类算法具有对初始化敏感、容易陷入局部最优以及仅考虑一个聚
极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）作为雷达成像技术中最常用的手段之一,被广泛应用在各个领域,其中对PolSAR地物进行有效地分类是目前遥感领域的研究热点。近年来,随着深度学习的快速发展,其在解决PolSAR地物分类问题中也取得了优越的表现。PolSAR地物分类是一个小样本分类任务,传统的深度学习需要从大量标记样本中获取特征信
聚类在图像分割领域有着重要且广泛的应用。基于聚类的图像分割就是根据灰度、颜色、纹理等特征把图像划分成若干个特定的、具有特殊涵义的不同区域的过程。多目标进化聚类图像分割是一类将多目标进化优化与聚类方法相结合的图像分割方法,其可以有效地缓解传统聚类算法对初始聚类中心敏感、容易陷入局部最优以及聚类准则单一的问题。然而,在解决复杂图像分割问题的过程中,传统的多目标进化聚类算法通常直接搜索问题的完整Pare