利用神经网络解密混沌光学系统中的加密信息

光学信息加密原理介绍

在现代通信领域中，通过自由空间光通信传输安全信息面临诸多挑战，特别是在处理大气湍流、散射和其他畸变效应时。最新发表在Optica期刊上的研究展示了一种创新方法，将激光丝与神经网络相结合，实现了通过高度非线性和湍流介质的安全光信息传输[1]。

1

实验系统设计

实验设置采用了光学元件和非线性介质的精密组合来实现安全信息传输。系统核心使用飞秒掺镱KGW激光器，工作波长1030纳米，脉冲持续时间170飞秒，重复频率30千赫兹。

图1展示了通过丝化诱导湍流液体介质生成和传输手写数字全息图的完整实验装置，包括：(a)带相位掩模的空间光调制器，(b)全息图生成平面，(c)乙醇中的缩放全息图，(d)记录的散斑图案。

信息编码过程始于使用相位掩模对高斯光束进行空间调制，这些相位掩模显示在相位型反射式空间光调制器上。这些相位掩模在空气中特定距离产生信息编码全息图。随后，4-f光学系统对这些全息图进行传输和缩小，然后进入装有乙醇的3厘米比色皿中。

图2演示了通过湍流液体介质的信息编码全息图扰乱过程，展示了三个不同手写数字从原始二值图像通过相位掩模到最终畸变光束轮廓的演变过程。

2

信息恢复的神经网络架构

研究实现了三种不同的神经网络架构来从扰乱的图案中重建原始全息图。每种架构都为信息恢复这一具有挑战性的任务带来独特优势。

图3说明了所采用的三种神经网络架构：(a)具有展平-重塑操作的自动编码器，(b)带连接路径的改进U-net，(c)带专用层的改进VggNet。

自动编码器架构表现特别出色，包含了具有ReLU激活函数的密集层和防止过拟合的随机失活层。这个网络通过精心设计的编码和解码过程，将复杂的散斑图案转换回清晰、可识别的全息图。

3

性能分析与结果

系统使用两个不同的数据集进行了严格测试：MNIST手写数字数据库和更复杂的MPEG-7核心实验CE-Shape-1数据集。这种双重测试方法证明了系统的多功能性和稳健性。

图4展示了数字0-9的重建结果，对比了原始全息图与不同神经网络架构重建的结果，展示了每个网络的重建能力。

系统性能的定量分析显示出出色的结果，特别是自动编码器架构。结构相似性指标(SSIM)持续显示超过0.85的值，表明原始信息的高质量重建。

图5展示了(a)网络训练期间的平均SSIM值和(b)不同神经网络间原始数字与重建数字的分类准确度比较。

对于更复杂的图案，系统通过迁移学习技术展示了显著的适应能力。在MNIST数据集上预训练的自动编码器成功适应了处理更复杂的形状和图案。

图6展示了使用自动编码器架构重建20个复杂全息图形状的能力，显示了原始和重建的图案。

不同神经网络架构的性能比较分析提供了关于各自优势和局限性的重要见解。

图7显示了不同神经网络架构的性能指标综合比较，包括数字和复杂形状数据集的SSIM和相关系数。

4

应用前景

该技术在自由空间光通信领域展现出重要的应用价值，尤其适用于传统方法受限的复杂环境。在高度非线性和湍流条件下的有效运行能力使该系统特别适合自然灾害期间的应急通信、临时光通信站和城市环境中的安全数据传输。

此外，由非线性传播效应产生的固有加密能力提供了额外的安全保障。原始信息只能使用针对系统专门训练的神经网络恢复，大大提高了防止未经授权截获的能力。

图8展示了数字0-9的混淆矩阵，比较了验证集结果与不同神经网络架构重建的分类准确度。

该研究成果表明了非线性光学与现代机器学习技术的有效结合。随着通信技术的发展，这种混合方法在满足安全可靠通信系统的需求方面具有重要作用。