本发明属于人工智能及电磁波的轨道角动量(orbitalangularmomentum,oam)无线通信技术领域，具体涉及一种涡旋电子模态识别系统、方法、装置及电子设备。
背景技术：
比常规的电磁波通信，引入oam可有效增加传输容量和频谱效率，缓解频谱资源紧张的局面，实现大容量高速传输。自由空间的光oam通信系统面临着oam光束生成器集成度低，光波受大气湍流、雾霾等环境因素影响大等特点。射频电磁波(300ghz以下)的oam波束发散角大，难以实现长距离传输，且接收端oam天线结构较为复杂，不易集成，成本也较高。区别于以上统计态oam波束，使用量子态oam进行通信则可以很好地解决上述问题。
量子态oam即通过涡旋电子携带的轨道角动量实现信息传输，文献(zhang,c.,xu,p.,&jiang,x.(2020).vortexelectrongeneratedbymicrowavephotonwithorbitalangularmomentuminamagneticfield.aipadvances,10,105230.)提出，基于量子电动力学(quantumelectrodynamics，qed)理论，在发射端使用相对论回旋电子或者多电子可以直接辐射出携带oam的电磁波，然后在接收端使用相对论电子吸收oam量子态电磁波变为涡旋电子，通过识别涡旋电子的oam模态来实现信息恢复。文献(zhang,c.,xu,p.&jiang,x.detectingsuperposedorbitalangularmomentumstatesinthemagneticfieldbythecrystaldiffraction.eur.phys.j.plus136,60(2021).)给出一种相应的涡旋电子oam模态识别方法：将涡旋电子经金箔衍射放大波束的尺度，再通过映射器和分选装置将不同模态oam电子分离到不同的位置，然后由位置判决的方法实现恢复信息。在实际应用中，接收端回旋管产生的磁场并不能直接被截断，而是在衍射金箔到荧光屏中间逐渐衰减。因此，涡旋电子会受到剩余磁场的影响而发生偏移发生严重的非线性畸变，按理想磁场建模的基于器件的方法进行oam模态分离的效果并不理想。此外，也可以使用图像采集装置，如ccd(chargecoupleddevice，电荷耦合器件)相机来收集电子oam的衍射图像，然后通过图像识别的方式进行oam模态识别并恢复信息，但常规图像识别方法只能提取图像的边缘等表层特征，不能很好地应对由剩余磁场带来的非线性畸变。表1对上述常见的涡旋电子oam模态识别方法进行了对比，主要是基于器件的方法和图像处理方法两类，两种方法各有优劣，但都不能较好地抵抗涡旋电子衍射图像发生的非线性畸变。所以亟需提出一种新的可以应对磁场非线性畸变影响且保证较高识别准确率和低硬件复杂度的oam电子模态识别系统。
表1：涡旋电子oam模态识别方法对比
技术实现要素：
为了克服上述现有技术的不足，本发明提供了一种基于人工智能的涡旋电子模态识别系统，该系统通过在训练数据中引入大量畸变的oam场强分布图像，并采用卷积提取神经网络进行深层特征提取。该系统可以在低成本和低硬件复杂度的前提下实现涡旋电子模态检测，且在图像发生严重畸变时仍能保证高识别准确率以及高识别速率，用于oam量子态无线通信系统可以降低因接受端判别方法缺陷而造成的模态串扰。
一种涡旋电子模态识别系统，包括：
涡旋电子产生模块，用于产生回旋的电子，并与接收的oam电磁波的轨道角动量耦合产生携带不同模态oam的涡旋电子波束；
衍射放大模块，用于衍射放大所述涡旋电子波束的尺寸；
图像接收与采集模块，用于接收衍射放大的涡旋电子波束并采集得到oam场强分布图像；
数据处理和识别模块，连接于所述图像接收与采集模块之后，用于接收所述oam场强分布图像并进行数据处理和oam模态识别，所述数据处理和识别模块包括：
训练数据制备子模块，用于产生受剩余磁场影响的包含非线性畸变的oam场强分布图像作为人工智能模型训练子模块的训练数据，其中，所述剩余磁场是指涡旋电子产生模块产生的在衍射放大模块到图像接收与采集模块之间逐渐衰减的磁场；
人工智能模型训练子模块，用于构建人工智能模型，并利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型；
模态识别子模块，使用所述验证识别准确率最高的人工智能模型对图像接收与采集模块采集的oam场强分布图像进行实时oam模态识别。
可选的，用拉盖尔-高斯涡旋电子波束模拟沿z轴方向携带不同模态oam的涡旋电子波束，其表达式为：
其中
可选的，所述涡旋电子产生模块产生的涡旋电子波束包括携带纯态oam的涡旋电子波束，和/或多个混合态oam的涡旋电子波束，其中，任一混合态oam是多个纯态oam组合而成。
可选的，所述涡旋电子产生模块包括电源、回旋管、超导磁体，其中回旋管包括电子枪和电子回旋产生模块，超导磁体位于电子回旋产生模块外，电源为电子枪供电，电子枪发射并加速的电子进入电子回旋产生模块，在超导磁体的磁场作用下进行回旋运动，oam电磁波将其轨道角动量耦合到回旋的电子上，从而产生携带不同模态oam的涡旋电子波束；
所述衍射放大模块包括对所述涡旋电子波束进行衍射放大的多金晶体薄膜；
图像接收与采集模块包括荧光屏和相机，所述荧光屏用于接收经衍射放大后的涡旋电子波束，所述相机用于采集荧光屏上的图像作为oam场强分布图像。
可选的，所述训练数据包含受不同程度的剩余磁场影响的oam场强分布图像，其中受所述剩余磁场影响产生的非线性畸变指的是oam场强分布图像发生非线性发散和非线性会聚中的一种或多种情况。
可选的，所述非线性发散和非线性会聚指的是，电子经所述剩余磁场畸变前后的两点距电子回旋中心o的距离满足下列关系：
其中r和r'分别是畸变前后电子在柱坐标下距电子回旋中心o的距离，r是电子回旋运动的半径，β是电子回旋运动的圆心角，并且，畸变前后电子的位置相对于电子回旋中心o的偏转角度由下式得到：
α＝arcsin(2r[sin(β/2)]2/r'2)。
可选的，所述人工智能模型包括卷积神经网络、决策树、多分类支持向量机(svm)和k近邻算法中一种或多种的组合。
本发明还提供一种涡旋电子模态识别方法，包括如下步骤：
涡旋电子产生模块在接收到自由空间传播的oam电磁波后，耦合所述oam电磁波的轨道角动量到回旋电子上产生携带不同模态oam的涡旋电子波束；
衍射放大模块对所述涡旋电子波束进行衍射放大；
图像接收与采集模块包括荧光屏和相机，所述荧光屏接收衍射放大的涡旋电子波束获得oam场强分布图像，所述相机则实时采集该oam场强分布图像并发送到数据处理和识别模块；
数据处理和识别模块利用准确率最高的人工智能模型实时识别接收的oam场强分布图像，完成oam模态识别，
其中数据处理和识别模块的训练数据制备子模块，将事先接收的受剩余磁场影响的包含非线性畸变的多个oam场强分布图像进行二值化数据处理后作为一部分模型训练数据发送给人工智能模型训练子模块，训练数据制备子模块还通过仿真生成一部分畸变和/或非畸变的仿真oam场强分布图像作为另一部分模型训练数据，所述一部分模型训练数据和/或所述另一部分模型训练数据共同组成训练数据，
人工智能模型训练子模块利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型。
本发明还提供一种oam模态识别装置，包括：
训练数据制备子模块，用于产生受剩余磁场影响的包含非线性畸变的oam场强分布图像作为人工智能模型训练子模块的训练数据，其中，所述剩余磁场是指涡旋电子产生模块产生的在衍射放大模块到图像接收与采集模块之间逐渐衰减的磁场；
人工智能模型训练子模块，用于构建人工智能模型，并利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型；
模态识别子模块，使用所述验证识别准确率最高的人工智能模型对图像接收与采集模块采集的oam场强分布图像进行实时oam模态识别。
本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下步骤：
将事先接收的受剩余磁场影响的包含非线性畸变的多个oam场强分布图像进行二值化数据处理后作为一部分模型训练数据发送给人工智能模型训练子模块，训练数据制备子模块还通过仿真生成一部分畸变和/或非畸变的仿真oam场强分布图像作为另一部分模型训练数据，所述一部分模型训练数据和/或所述另一部分模型训练数据共同组成训练数据；
利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型；
利用准确率最高的人工智能模型实时识别接收的oam场强分布图像，完成oam模态识别。
与现有技术相比，本发明的有益效果是：本发明的涡旋电子oam模态识别系统不需要过多的器件，其硬件复杂度和成本都很低，且可以减小剩余磁场等造成的非线性畸变对识别结果的影响，识别准确率较高，可用于量子态oam无线通信等众多应用场景中。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的涡旋电子模态识别系统的结构示意图；
图2为根据本发明一个具体实施例的系统硬件结构示意图；
图3为根据本发明一个具体实施例的电子畸变前后位置的几何关系图；
图4(a)是受剩余磁场畸变前的纯态oam(l＝1)的oam场强分布图；
图4(b)是受剩余磁场影响后发生会聚的纯态oam(l＝1)的oam场强分布图；
图4(c)是受剩余磁场影响后发生发散畸变的纯态oam(l＝1)的oam场强分布图；
图5(a1)-(d1)是受剩余磁场影响畸变前oam模态分别为l＝{1,{1,-2},{3,-3},{1,2,3}}的电子束的场强分布；
图5(a2)-(d2)是受剩余磁场影响后oam模态分别为l＝{1,{1,-2},{3,-3},{1,2,3}}的电子束发生会聚畸变的场强分布图；
图5(a3)-(d3)是受剩余磁场影响后oam模态分别为l＝{1,{1,-2},{3,-3},{1,2,3}}的电子束发生发散畸变的场强分布图；
图6(a)是无噪声(信噪比为 ∞)时模态数l＝{3,-3}的oam场强分布图；
图6(b)-(d)是添加高斯白噪声后信噪比snr分别为30、20和15时模态数l＝{3,-3}的oam场强分布图；
图7为根据本发明一个具体实施例的卷积神经网络结构；
图8为根据本发明一个具体实施例的神经网络的损失函数值曲线；
图9为根据本发明一个具体实施例的神经网络的准确率曲线。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，一种涡旋电子模态识别系统10包括涡旋电子产生模块100、衍射放大模块200、图像接收与采集模块300、数据处理和识别模块400。
其中，涡旋电子产生模块100包括高压电源101、回旋管102和超导磁体103，其中回旋管102主要由高速电子枪1021和筒形的电子回旋产生模块构成。高压电源101为电子枪1021供电，提供电子加速所需的高压直流电，电子经电子枪1021发射并加速；超导磁体103位于回旋管的电子回旋产生模块外，电子在超导磁体103的磁场作用下进行高速回旋运动，自由空间传播的oam电磁波照射到高速回旋电子后，将其轨道角动量耦合到回旋电子，即产生携带不同模态oam的涡旋电子波束；衍射放大模块200，使用多金晶体薄膜201对涡旋电子波束进行衍射放大；图像接收与采集模块300位于衍射放大模块之后，包括荧光屏301和高速相机302。其中荧光屏301用于接收经衍射放大后的涡旋电子波束；高速相机302位于荧光屏之后，用于采集荧光屏上的oam场强分布图像(即oam电场强度分布图像)；数据处理和识别模块400为搭建有卷积神经网络的计算机，其包括如下的子模块：训练数据制备子模块401，用于产生神经网络的训练数据；人工智能模型训练模块402，用于构建人工智能模型，例如卷积神经网络，并进行网络训练和验证；模态识别模块403，将采集的oam场强分布图像输入训练好的卷积神经网络中进行oam模态识别。该系统中各模块的位置关系如图2的系统硬件结构示意图所示。
本系统可作为量子态oam无线通信的接收端，发射端通过发射不同模态数的oam电磁波来传输信息，接收端接收所述发射端发射的oam电磁波，通过本系统将接收到的oam模态耦合到涡旋电子并经过衍射放大、数据处理后实现oam模态的识别，即可恢复出发送的原始信息。本实例中系统所涉及的相关参数取值如表2所示。
表2：相关参数列表
本实施例中，涡旋电子产生模块100产生的携带oam的涡旋电子波束可以用拉盖尔-高斯(laguerre-gaussian，lg)涡旋电子波束进行模拟，沿z轴方向(与涡旋电子回旋中心轴的轴向同向)的lg涡旋电子可描述为
其中
本实施例中，剩余磁场沿z轴方向，大小为bz沿z轴衰减，是恒定磁场。受洛伦兹力影响，电子作螺旋线运动，即除了沿z轴运动外，还会沿着与z轴垂直的平面作逆时针的圆周运动。由于不同模态的涡旋电子经衍射后的出射角不同，所以在剩余磁场中的回旋半径也不同，其回旋半径r可由下式计算得出：
其中γ是电子的洛伦兹因子，me是电子质量，e是电子元电荷，v是电子衍射前的速度，θ是衍射后电子的出射角。由于出射角θ很小，与衍射前相比刚开始剩余磁场较大，所以电子的回旋半径很小，由于剩余磁场沿z轴方向衰减，所以电子回旋半径会逐渐变大。
在剩余磁场的作用下，电子的回旋运动造成图像接收与采集模块300采集得到的oam场强分布图像在剩余磁场的作用下发生畸变，即在柱坐标下沿着径向发散或会聚，电子畸变前后位置的几何关系如图3所示，其中点a和点a'分别是电子衍射后的位置和经磁场畸变后落在荧光屏上的位置，则两点距电子回旋中心轴o的距离关系为：
其中r和r'分别是畸变前后电子在柱坐标下距电子回旋中心的距离，r是电子回旋运动的半径，β是电子回旋运动的圆心角。此外，发生畸变后相对落在荧光屏的位置会沿逆时针方向偏转一个角度，畸变前后电子的位置相对于电子回旋中心轴o的偏转角度可由下式得到
α＝arcsin(2r[sin(β/2)]2/r'2)(4)
对单一模态的纯态oam，可以用oam的场强分布图来表示剩余磁场对纯态oam涡旋电子(以l＝1为例)的影响，其中图4(a)是受剩余磁场畸变前的oam场强分布，图4(b)是受剩余磁场影响后发生会聚畸变的oam场强分布图，图4(c)是受剩余磁场影响后发生发散畸变的oam场强分布图。发生畸变图像的中心空洞变小或变大，使得不同的纯oam模态间发生模态模糊，造成接收端无法识别。本发明中涡旋电子产生模块产生的涡旋电子可以是携带任意纯态oam的涡旋电子，和/或携带混合态oam的涡旋电子，所述混合态oam是指多个纯态oam组合。例如，下面是1种纯态oam与3种混合态oam的场强分布图，其oam模态数l＝{1,{1,-2},{3,-3},{1,2,3}}，其中，l＝1是纯态oam，l＝{1,-2}、{3,-3}、{1,2,3}分别是三种混合态oam。
其中图5(a1)-(d1)是受剩余磁场畸变前不同电子束的场强分布，图5(a2)-(d2)是受剩余磁场影响后不同电子束发生会聚畸变的场强分布图，图5(a3)-(d3)是受剩余磁场影响后不同电子束发生发散畸变的场强分布图。本实例中，作为量子态oam无线通信的接收端，为保证较低的误比特率，发射端用一种纯态和3种场强分布图类间差异性大的混合态oam来进行数据传输，其lg模态数l＝{1,{1,-2},{3,-3},{1,2,3}}，分别表示四进制数0-3，即四阶调制的通信系统。
本实施例中，训练数据制备子模块生成多种剩余磁场等级的畸变数据作为训练数据，并引入不同信噪比等级的位置高斯噪声，且各等级的含噪数据集的占比相同，如图6所示，是无噪声和信噪比(snr)分别为30、20和15时±3模态的oam场强分布图。为验证训练模型的泛在性，验证集数据采用训练集中没有的不同程度的畸变数据。
本实施例中，ai(人工智能)模型具体采用卷积神经网络，输入数据的大小为128×128的oam场强分布图像，输出其对应的模态类别，本实例的4种模态对应4个类别。优选地，对于模态类别采用独热编码。
本实施例采用的卷积神经网络结构如图7所示，包含依次连接的输入层、5个卷积池化层和1个全连接层以及输出层，其中每个卷积池化层都包括依次连接的卷积层和池化层，其中卷积池化层对oam场强分布图像进行特征学习和提取，除了形状、纹理、颜色、边缘等特征外，主要是经过大量数据训练还可提取剩余磁场引入的非线性畸变的特征，即较深层的、数据集特定的特征表示。这些隐藏特征对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，从而可以获得更高的识别准确率。如图7所示，各卷积层都包含有多个5×5的卷积核，例如，第一个卷积层包含20个5×5的卷积核。其中最大池化层包含2×2的池化窗口。
采用交叉熵来表示当前训练得到的卷积神经网络对训练数据的不拟合程度，即交叉熵损失函数，其表达式为
其中x是神经网络的输入数据，即oam场强分布图像数据，n为输入数据样本的个数，f(·)表示神经网络输出的oam模态类别，y表示真实的oam模态类别。
本实施例卷积神经网络的损失函数值与准确率随训练次数的变化曲线如图8和图9所示，对1000张oam场强分布图像进行训练和验证，更新网络参数使损失函数尽可能取得最小值。
采用自适应矩估计(adaptivemomentestimation，adam)优化器在训练过程中求损失函数的梯度，从而通过梯度更新网络参数值使得损失函数不断向最小值搜索迭代。优化器的批处理尺寸为32，训练30次后的人工智能模型在训练集上的准确率为99.46％，验证集准确率可达99.99％。对常规方法，即一般的卷积神经网络，并未考虑剩余磁场对oam场强分布的影响，采用与本实例的相同的网络结构、损失函数和优化方法等训练参数，但训练数据是不包含畸变的样本，训练所得的ai模型与本实例所提出的ai模型在相同的测试数据集上进行测试，本发明所述实例的方法与常规方法的识别准确率分别为95.75％和69.75％，所以本发明所述实例的识别方法在识别准确率上具有明显的优势。
以上是以卷积神经网络作为ai模型来举例说明的，实际上，该ai模型还可以是卷积神经网络、决策树、多分类支持向量机(svm)和k近邻算法这些模型中一种或多种的组合。具体的，采用集成学习技术将这些模型组合集成后进行图像识别和分类，即针对同一个训练集训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个更强的强分类器作为最终分类器，常用的组合方法有boosting和adaboost等。
尽管上面已经给出了本发明的一个具体实施例，但是，可以理解的是，上述实施例是示例性的，不能作为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变形。
1.一种涡旋电子模态识别系统，其特征在于，包括：
涡旋电子产生模块，用于产生回旋的电子，并与接收的oam电磁波的轨道角动量耦合产生携带不同模态oam的涡旋电子波束；
衍射放大模块，用于衍射放大所述涡旋电子波束的尺寸；
图像接收与采集模块，用于接收衍射放大的涡旋电子波束并采集得到oam场强分布图像；
数据处理和识别模块，连接于所述图像接收与采集模块之后，用于接收所述oam场强分布图像并进行数据处理和oam模态识别，所述数据处理和识别模块包括：
训练数据制备子模块，用于产生受剩余磁场影响的包含非线性畸变的oam场强分布图像作为人工智能模型训练子模块的训练数据，其中，所述剩余磁场是指涡旋电子产生模块产生的在衍射放大模块到图像接收与采集模块之间逐渐衰减的磁场；
人工智能模型训练子模块，用于构建人工智能模型，并利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型；
模态识别子模块，使用所述验证识别准确率最高的人工智能模型对图像接收与采集模块采集的oam场强分布图像进行实时oam模态识别。
2.根据权利要求1所述的一种涡旋电子模态识别系统，其特征在于，用拉盖尔-高斯涡旋电子波束模拟沿z轴方向携带不同模态oam的涡旋电子波束，其表达式为：
其中
3.根据权利要求1所述的一种涡旋电子模态识别系统，其特征在于，所述涡旋电子产生模块产生的涡旋电子波束包括携带纯态oam的涡旋电子波束，和/或多个混合态oam的涡旋电子波束，其中，任一混合态oam是多个纯态oam组合而成。
4.根据权利要求1所述的一种涡旋电子模态识别系统，其特征在于，
所述涡旋电子产生模块包括电源、回旋管、超导磁体，其中回旋管包括电子枪和电子回旋产生模块，超导磁体位于电子回旋产生模块外，电源为电子枪供电，电子枪发射并加速的电子进入电子回旋产生模块，在超导磁体的磁场作用下进行回旋运动，oam电磁波将其轨道角动量耦合到回旋的电子上，从而产生携带不同模态oam的涡旋电子波束；
所述衍射放大模块包括对所述涡旋电子波束进行衍射放大的多金晶体薄膜；
图像接收与采集模块包括荧光屏和相机，所述荧光屏用于接收经衍射放大后的涡旋电子波束，所述相机用于采集荧光屏上的图像作为oam场强分布图像。
5.根据权利要求1所述的一种涡旋电子模态识别系统，其特征在于，所述训练数据包含受不同程度的剩余磁场影响的oam场强分布图像，其中受所述剩余磁场影响产生的非线性畸变指的是oam场强分布图像发生非线性发散和非线性会聚中的一种或多种情况。
6.根据权利要求5所述的一种涡旋电子模态识别系统，其特征在于，所述非线性发散和非线性会聚指的是，电子经所述剩余磁场畸变前后的两点距电子回旋中心o的距离满足下列关系：
其中r和r'分别是畸变前后电子在柱坐标下距电子回旋中心o的距离，r是电子回旋运动的半径，β是电子回旋运动的圆心角，并且，畸变前后电子的位置相对于电子回旋中心o的偏转角度由下式得到：
α＝arcsin(2r[sin(β/2)]2/r'2)。
7.根据权利要求1所述的一种涡旋电子模态识别系统，其特征在于，所述人工智能模型包括卷积神经网络、决策树、多分类支持向量机和k近邻算法中一种或多种的组合。
8.一种涡旋电子模态识别方法，其特征在于，包括如下步骤：
涡旋电子产生模块在接收到自由空间传播的oam电磁波后，耦合所述oam电磁波的轨道角动量到回旋电子上产生携带不同模态oam的涡旋电子波束；
衍射放大模块对所述涡旋电子波束进行衍射放大；
图像接收与采集模块包括荧光屏和相机，所述荧光屏接收衍射放大的涡旋电子波束获得oam场强分布图像，所述相机则实时采集该oam场强分布图像并发送到数据处理和识别模块；
数据处理和识别模块利用准确率最高的人工智能模型实时识别接收的oam场强分布图像，完成oam模态识别，
其中数据处理和识别模块的训练数据制备子模块，将事先接收的受剩余磁场影响的包含非线性畸变的多个oam场强分布图像进行二值化数据处理后作为一部分模型训练数据发送给人工智能模型训练子模块，训练数据制备子模块还通过仿真生成一部分畸变和/或非畸变的仿真oam场强分布图像作为另一部分模型训练数据，所述一部分模型训练数据和/或所述另一部分模型训练数据共同组成训练数据，
人工智能模型训练子模块利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型。
9.一种oam模态识别装置，其特征在于，包括：
训练数据制备子模块，用于产生受剩余磁场影响的包含非线性畸变的oam场强分布图像作为人工智能模型训练子模块的训练数据，其中，所述剩余磁场是指涡旋电子产生模块产生的在衍射放大模块到图像接收与采集模块之间逐渐衰减的磁场；
人工智能模型训练子模块，用于构建人工智能模型，并利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型；
模态识别子模块，使用所述验证识别准确率最高的人工智能模型对图像接收与采集模块采集的oam场强分布图像进行实时oam模态识别。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如下步骤：
将事先接收的受剩余磁场影响的包含非线性畸变的多个oam场强分布图像进行二值化数据处理后作为一部分模型训练数据发送给人工智能模型训练子模块，训练数据制备子模块还通过仿真生成一部分畸变和/或非畸变的仿真oam场强分布图像作为另一部分模型训练数据，所述一部分模型训练数据和/或所述另一部分模型训练数据共同组成训练数据；
利用所述训练数据进行人工智能模型训练，从而得到验证识别准确率最高的人工智能模型；
利用准确率最高的人工智能模型实时识别接收的oam场强分布图像，完成oam模态识别。
技术总结