【电磁波】基于轨道角动量涡旋光束的拓扑电荷和傅里叶光学计算附matlab代码

 ✅作者简介：热爱数据处理、建模、算法设计的Matlab仿真开发者。

🍎更多Matlab代码及仿真咨询内容点击 🔗：Matlab科研工作室

🍊个人信条：格物致知。

🔥 内容介绍

**电磁波的角动量在概念和应用中都非常重要。在这项工作中，我们系统地讨论了两种类型的角动量，即自旋角动量和轨道角动量在各种情况下的情况，例如有源和无源，经典和量子形式。还给出了数值结果，演示了如何通过光谱法提取经典涡旋光束的拓扑电荷。**基本而重要的概念，它描述了物体绕轴旋转的趋势。电磁波也具有角动量，这在概念和应用中都至关重要。

自旋角动量

自旋角动量是电磁波固有的性质，与波的偏振状态有关。对于线性偏振波，自旋角动量为零。对于圆偏振波，自旋角动量为非零，其方向取决于偏振方向。

轨道角动量

轨道角动量是电磁波由于其波前相位分布而获得的角动量。当波前呈螺旋状时，就会产生轨道角动量。轨道角动量的拓扑电荷表征了螺旋的缠绕程度。

有源和无源电磁波

有源电磁波是由天线或其他辐射源产生的，而无源电磁波则是在介质中传播的波。有源电磁波同时具有自旋和轨道角动量，而无源电磁波通常只有轨道角动量。

经典和量子电磁波

在经典电磁学中，电磁波被视为连续的波场。在量子力学中，电磁波被视为由光子组成的离散粒子。经典角动量和量子角动量之间存在着联系，但也有着重要的区别。

应用

电磁波的角动量在许多应用中发挥着至关重要的作用，包括：

• 光学镊子：使用光束的轨道角动量来操纵微小粒子。

• 量子计算：利用光子的自旋角动量来实现量子比特。

• 通信：利用轨道角动量来增加通信信道的容量。

数值模拟

我们使用频谱法对经典涡旋光束的拓扑电荷进行了数值模拟。该方法基于对波前相位分布进行傅里叶变换，并分析变换后的频谱。

结论

电磁波的角动量是概念和应用中至关重要的一个方面。我们系统地讨论了自旋角动量和轨道角动量，并给出了数值结果来演示如何提取涡旋光束的拓扑电荷。电磁波角动量在光学、量子信息和通信等领域有着广泛的应用前景。

📣 部分代码

​clc;clear​%% configurationwavelength=1;  %  ***wavelengthk0=2*pi/wavelength;  %  wavenumberZ=120*pi;  % wave impedanceVolume=1;%an=(Volume/(pi*4/3)).^(1/3);TL=2;   % Topological charge   ***​%% number and position of source pointsN=12;   %  *** number of point sources​% radius and angleradius= 0.5;  %  *** radiustheta=linspace(0,2*pi-2*pi/(N),N);[x00,y00]=pol2cart(theta,radius);​%% sampling the observation area xoy plane%  z direction slicesdelta=0.4;       % step ***​

⛳️ 运行结果

🔗 参考文献

1. Wei E.I. Sha, Zhihao Lan, Menglin L.N. Chen, Yongpin P. Chen, and Sheng Sun, “Spin and Orbital Angular Momenta of Electromagnetic Waves: From Classical to Quantum Forms,” IEEE Journal on Multiscale and Multiphysics Computational Techniques, vol. 9, pp. 113-117, Mar. 2024.

2. Ling-Jun Yang, Sheng Sun, and Wei E.I. Sha, “Manipulation of Orbital Angular Momentum Spectrum Using Shape-Tailored Metasurfaces,” Advanced Optical Materials, vol. 9, pp. 2001711, Jan. 2021.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合