基于卷积神经网络（CNN）的光纤模式智能识别系统
打破毫秒级延迟瓶颈，赋予空分复用光通信系统“智能视觉”
现实环境中的微弯、温度波动会导致严重的模式耦合，使终端光斑呈现出异常复杂且动态变化的干涉纹理。MSR-PNet 模型能直接从 2D 灰度图像中，“看透”光场背后叠加的物理模式。
圆对称结构，中心能量极强
特定方位角的双瓣状结构
四瓣交替，包含高频干涉条纹
多模式叠加+散粒/环境高斯噪声
摒弃传统单一大感受野第一层，采用 1×1、3×3、5×5 三尺度卷积核并行提取。同步捕捉图像中粗粒度的宏观轮廓与细粒度的高频干涉条纹，从信息源头防止高频相位细节丢失。
在深层特征映射中嵌入端到端注意力模块：
通道维度：自发调高关键 LP 模式特征通道增益，抑制散粒噪声引发的无效特征。
空间维度：将模型“视线”强制定向到光场能量梯度变化最剧烈的干涉脊线上。
模型在深层解耦为两路：模式分类（多标签概率）与 物理参数回归（反演纤芯半径、折射率及归一化频率 V）。为解决多任务梯度干涉，引入基于同方差不确定性的动态损失函数，让模型在训练中自我进化权重平衡：
注：s1, s2 为模型自动学习的任务对数方差变量，极大提升了模型收敛上限。
基于 60,000 张加入多层级混合物理噪声（散粒、高斯背景、光学模糊、几何微扰）的仿真数据集训练，实现端到端的非线性物理映射。