Experimental assessment of the atmospheric effects on laser communications on maritime environment

Abstract

This dissertation investigates the free space optical communications (FSOCs) technology, the so-called laser communications (LaserComm). The FSO technology operates in the optical and infrared spectrum for data transmission and offers significant advantages comparing to their radio frequency (RF) counterparts. These include increased data rate transmission, greater security and immunity, lower cost of installation and, finally, no license restrictions. The major challenge that FSO systems face, is the degradation effects of the atmosphere and in especially the optical turbulence. FSO technology applications span from terrestrial and underwater to space. Each FSO application face different kind of challenges due to the variety of the atmospheric conditions that a propagating beam encounters. An FSO link over a maritime environment is investigated. The optical turbulence phenomenon in a maritime environment exhibits significant differences with a terrestrial one and causes the effect of scintillation, that is the spatial and temporal variation of the irradiance in the receiver. To study these variations, statistical distributions are required. Already, many different probability density functions (PDFs) have been studied and related the received irradiance with the optical turbulence effect, quantified by the refractive index structure parameter, C_n^2. The major goal of this dissertation is the experimental assessment of the optical turbulence effect towards an FSO link over maritime environment. We utilized the experimental site of the Hellenic Naval Academy (HNA), Piraeus, Greece as well as the site of the Naval Postgraduate School (NPS) in Monterey, California to collect macroscopic meteorological parameters (wind speed, relative humidity, air temperature, solar radiation, dew point, air pressure and rainfall rate), C_n^2 values with different methods and the received signal strength (RSSI) on the FSO terminal. Based on this data, initially we developed second-order polynomial models for the RSSI parameter, using regression modeling, to quantify its relation with the macroscopic environmental parameters and demonstrated the prediction accuracy of various machine learning based algorithms (Random Forest, Gradient Boosting, Decision Trees, k-Nearest Neighbors, Neural Networks) for an FSO link performance. The similarity between different probability distributions is investigated, by employing an information theoretic method, namely the so-called Jensen–Shannon divergence, a symmetrization of the Kullback–Leibler divergence. The outage probability of the link is estimated by utilizing a theoretical model and the operational status of the link, either functional or not, is modeled by a classification deep neural network (DNN). Finally, the refractive index structure parameter, C_n^2, is modelled using ML-based regression (Random Forest, ANN και Gradient Boosting) and classification algorithms (DNN).

Στην παρούσα διδακτορική διατριβή ερευνώνται οι ασύρματες οπτικές επικοινωνίες, γνωστές και ως επικοινωνίες λέιζερ. Η εν λόγω τεχνολογία κάνει χρήση του οπτικού και υπερύθρου φάσματος για την μετάδοση της πληροφορίας και προσφέρει σημαντικά πλεονεκτήματα σε σχέση με την υφιστάμενη κατηγορία των επικοινωνιών με ραδιοκύματα, όπως αυξημένες δυνατότητες ρυθμού μετάδοσης δεδομένων, ασφάλεια έναντι υποκλοπών και παρεμβολών, χαμηλό κόστος και ευκολία εγκατάστασης και τέλος κανέναν περιορισμό στις χρησιμοποιούμενες συχνότητες εκπομπής. Η μεγαλύτερη πρόκληση που αντιμετωπίζουν τα συστήματα επικοινωνίας λέιζερ, είναι οι εγγενείς περιορισμοί τους από τις περιβαλλοντικές συνθήκες και ιδιαίτερα από το φαινόμενο της ατμοσφαιρικής τυρβώδους ροής. Η τεχνολογία αυτή έχει τόσο επίγειες όσο και υποβρύχιες και διαστημικές εφαρμογές. Κάθε μια από τις ανωτέρω εφαρμογές, καλείται να αντιμετωπίσει διαφορετικές δυσκολίες και περιορισμούς, λόγω των διαφορετικών ατμοσφαιρικών συνθηκών που η διαδιδόμενη δέσμη λέιζερ συναντά στην πορεία της. Στην παρούσα διατριβή εξετάζεται, πειραματικά, η απόδοση μιας ασύρματης οπτικής ζεύξης που λειτουργεί σε θάλασσιο περιβάλλον. Το φαινόμενο της ατμοσφαιρικής τυρβώδους ροής σε ένα τέτοιο περιβάλλον εμφανίζει αρκετές διαφορές με το αντίστοιχο άνωθεν επίγειου περιβάλλοντος και είναι αυτό που ευθύνεται για το φαινόμενο του σπινθηρισμού, δηλαδή της χωρικής και χρονικής μεταβολής της λαμβανόμενης οπτικής ισχύος από τον δέκτη. Η ταχύτητα των μεταβολών αυτών απαιτεί την χρήση στατιστικών κατανομών για την μελέτη τους. Διάφορες τέτοιες κατανομές έχουν μελετηθεί και αποδειχθεί ότι μπορούν να περιγράψουν με αρκετή ακρίβεια τις διακυμάνσεις της λαμβανόμενης ισχύος σε άμεση συνάρτηση με την ένταση του φαινομένου της ατμοσφαιρικής τυρβώδους ροής, μετρούμενης με την παράμετρο κατανανομής του δείκτη διάθάσης στην ατμόσφαιρα, C_n^2. Βασικός στόχος της παρούσας μελέτης είναι η, σε πειραματικό επίπεδο, συσχέτιση του φαινομένου αυτού με την απόδοση μιας ασύρματης οπτικής ζεύξης άνωθεν θαλασσίου περιβάλλοντος. Συγκεκριμένα, με χρήση κατάλληλων πειραματικών διατάξεων, τόσο στο κτίριο εργαστηρίων της Σχολής Ναυτικών Δοκίμων (ΣΝΔ) όσο και στις εγκαταστάσεις του Naval Postgraduate School (NPS) στο Μοντερέυ της Καλιφόρνια, γίνεται συλλογή βασικών ατμοσφαιρικών δεδομένων (ταχύτητα ανέμου, σχετική υγρασία, θερμοκρασία αέρα, ηλιακή ακτινοβολία, σημείο δρόσου, ατμοσφαιρική πίεση και ρυθμός βροχόπτωσης), τιμών της παραμέτρου κατανομής δείκτη διάθλασης της ατμόσφαιρας (C_n^2) με διάφορες μεθόδους και του λαμβανόμενου σήματος στον δέκτη του συστήματος. Εν συνεχεία, γίνεται μοντελοποίηση παλινδρόμησης και ταξινόμησης του λαμβανόμενου σήματος και της παραμέτρου κατανομής δείκτη διάθλασης της ατμόσφαιρας βάσει των ατμοσφαιρικών δεδομένων τόσο με χρήση βασικών πολυωνυμικών μοντέλων, όσο και με χρήση διαφόρων αλφορίθμων μηχανικής μάθησης, όπως Random Forest, Gradient Boosting, Decision Trees, k-Nearest Neighbors καθώς και νευρωνικών δικτύων μονού και πολλαπλών επιπέδων. Εξετάζεται η αξιοπιστία διάφορων βασικών κατανομών πυκνότητας πιθανότητας του λαμβανομένου σήματος του συστήματος με χρήση μεθόδων θεωρίας της πληροφορίας (Kullback-Leibler και Jensen-Shannon divergence). Εξάγεται με χρήση θεωρητικού μοντέλου η πιθανότητα αποκοπής της ζεύξης και εν συνεχεία μοντελοποιείται η ταξινόμηση της σε λειτουργική ή μη, με χρήση βαθέων νευρωνικών δικτύων. Τέλος γίνεται μοντελοποίηση πειραματικών δεδομένων της παραμέτρου κατανομής δείκτη διάθλασης με χρήση αλγορίθμων μηχανικής μάθησης (Random Forest, Neural Network και Gradient Boosting) καθώς και ταξινόμηση αυτών αναλόγως της έντασης, με χρήση βαθέων νευρωνικών δικτύων.