基于深度学习的量子信号大气衰减系数预测

针对空间量子通信系统中大气信道环境随气象条件实时改变的特性,提出了基于深度学习的量子信号大气衰减系数预测方法。实验基于西安地区气象数据,分别使用了误差反向传播神经网络(BPNN)、长短期记忆网络(LSTM)、门限循环单元(GRU)三种神经网络模型进行数据预测,并进行了分析比较。结果表明三种神经网络模型均可以有效实现预测,并能达到80%的数据拟合度,其中LSTM和GUR网络的整体预测能力较强,但三种网络模型均在峰值处产生较大误差。该预测方案为空间量子通信中各类针对大气信道的补偿手段和智能参数优化提供了基础。     

飞行中继平台的MDI-QKD应用性能

量子密钥分发（Quantum Key Distribution, QKD）技术的应用领域不断拓宽,其良好的安全保密性能可以有效应对通信安全威胁,在航空通信领域,基于航空飞行平台应用量子密钥分发技术有望大幅提升航空通信系统安全性级别,为局部地区保密通信提供可靠保障,进一步提高区域安全通信保障能力。针对非对称传输效率测量设备无关量子密钥分发（Measurement Device Independent QKD, MDI-QKD）协议在机载条件下的应用问题,在以飞行平台作为测量节点的测量设备无关量子密钥分发技术应用场景下,应用诱骗态协议建立了仿真分析模型,分析了气象条件、飞行高度对系统仿真性能的影响。仿真实验结果表明,在15 km能见度的晴朗天气下,在无人机常用高度飞行的空中移动平台应用诱骗态测量设备无关量子密钥分发协议可以提供作战通信保障,在较远距离通信中存在通信盲区和飞行平台运动限制。同时证明了优化选择信号光源光脉冲强度方案可以有效提高通信能力。实验及分析为量子密钥分发技术在飞行平台上的后续研究和实际应用提供了理论分析基础和优化方法。