摘要
星地量子通信已经验证了广域量子通信网络的可行性，面对未来量子通信网络多用户的特点，能够准确、快速预测成码率是高效利用星地量子网络资源的核心问题。提出了一种基于机器学习及恒星星像图像识别的信道预测新方法，并将此方法应用于北京地面站的观测中。实验结果表明，恒星星像的图像识别正确率可达88%，并给出是否开展星地实验的建议。在建议开展星地对接的信道情况下，预估该时段量子卫星北京地面站在仰角39.5°的筛选成码率约为8~9 kbit/s，实际星地量子通信实验的筛选成码率为8.8 kbit/s。实验结果可用于合理安排多颗卫星、多个地面站的星地对接任务，提高星地量子通信的成功率，避免浪费卫星和地面站资源，推动量子通信卫星组网的实用化研究。
由于量子通信具备理论安全性，其在过去的几十年中取得了长足的发展。为了建立覆盖全球的量子通信网络，基于自由空间的量子通信技术手段是高效的方式。在水平自由空间链路的量子通信方面，标志性的实验进展已验证了其有效性，十公里和百公里级自由空间量子通信相继被验证了可行
现阶段，星地量子通信实验前，需利用单光子探测器测量地面站接收恒星的光子数来判断星地效率，操作比较复杂。星地效率由大气效率、望远镜光学效率、探测效率构成，逐步分析各个效率花费时间较长。并且，随着星地量子网络组网规模越来越多，卫星和地面站数量越来越多，采用人工方式分析效率或人工分辨光斑质量较困难，依赖于地面站操作人员的经验水平，难以统一分辨标准。量子通信实用化网络面临多用户的情况，多个用户申请对接时，由于星地实验受天气影响较大，需及时、准确地判断哪个用户适合开展星地对接，对时效性、便捷程度提出了较高要求。实用化用户一般不具备专业的光学知识，现有方法判断星地链路情况不适用于实用化用户操作，需要提出一种新的快速判断星地信道质量的方法。
近年来，机器学习取得了极大的进展，在生物医药、虚拟助手、交通预测、图像识别等领域获得了应
利用卫星开展星地量子通信时，量子卫星作为发射端，发射用于量子密钥分发的信号光光子；地面站作为接收端，接收并探测信号光光子。由于量子卫星和地面站之间存在大气干扰，信道受云雾、大气湍流等因素的影响，需要挑选适合的时间段开展星地对接。为了评估大气信道质量，可以利用地面站观测恒星，通过地面站收到的光子数判断星地信道情况。如
图1 星地量子通信示意图
Fig. 1 Schematic diagram of satellite-to-ground quantum communication
为了针对恒星光斑开展图像识别，首先需要采集恒星的光斑图像。在北京市区建设了量子卫星地面站，具备恒星观测功能和光子探测功能。地面站由四只镜筒组合而成，两只镜筒负责接收量子卫星发射的H/V偏振的光子，另两只镜筒负责接收量子卫星发射的+/-偏振的光子，每一只镜筒的光路如
图2 望远镜光路图
Fig. 2 Telescope light path diagram
地面站的接收面积为0.25
图3 不同大气环境下的恒星星像 （a）接收效率小于1%,（b）接收效率1%~2%,（c）接收效率2%~3%,（d）接收效率4%~5%,（e）接收效率5%~6%;（f）接收效率6%~7%
Fig. 3 Stellar images in different atmospheric environments by different receiving efficiency (a)<1%,（b)1%~2%,（c)2%~3%,（d)4%~5%,（e)5%~6%,（b)6%~7%
基于机器学习的图像分类技术应用在星地信道质量预测，判断是否适合开展星地对接，流程如
图4 分析流程
Fig. 4 Analysis process
（1）地面站观测恒星光斑数据，获取恒星光斑数据是图像识别的基础。地面站获得的恒星图像，具备图像灰度特征，这些特征可以区分图像之间的区别。
（2）恒星光斑分类，地面站同时可测得四路探测器的计数和，可根据计数的大小对恒星光斑进行分类。在本实验中，将恒星光斑分为6类。
（3）剪裁恒星光斑图像，这个过程是对图像进行预处理操作，提取恒星光斑的特征和重要信息，并对恒星光斑打标签。
（4）建立图像识别模型，采用某种机器学习算法建立恒星光斑识别模型，开展图像识别模型设计与分类决策。
（5）对待测试的恒星光斑进行分类并验证正确率。
（6）根据恒星光斑的图像识别结果，预测星地信道质量，评估是否具备开展星地量子通信的链路条件，结束流程。
量子卫星地面站观测到恒星光斑后，为了把恒星星像和星地成码率建立对应关系，需要基于机器学习方法建模，实现恒星光斑识别分类和成码预测。在对恒星光斑图像识别的模型中，可分为三个阶段，如
图5 图像识别建模
Fig. 5 Image recognition modeling
针对量子卫星地面站观测到的恒星光斑分类，为了获得较高的识别成功率，实验中采用了四种机器学习算法对光斑进行了分类识别，包含K最邻近算法（KNN）、随机森林算法（RF）、朴素贝叶斯模型（NBM）、支持向量机（SVM）。利用KNN算法开展恒星光斑分类的基本思想是：给定一个训练的恒星光斑数据集，对新的输入恒星光斑，选定一个适当的距离机制，在恒星光斑训练集中找到与该待分类的光斑最邻近的K个实例，这些K个实例的多数属于某类，则把该光斑分类到此类中。随机森林的核心是决策树，基于随机选取的恒星光斑样本生成大量随机决策树，大量决策树组成随机决策森林，每棵树根据待分类的恒星光斑给出一个分类结果，汇总森林里重复度最高的决策树的结果。采用朴素贝叶斯模型针对恒星光斑分类，其基础是采用概率论中的贝叶斯定理，输出恒星光斑样本对象所属概率最高的类别。支持向量机将恒星光斑分为两个系列的二类分类问题，用决策规则将这些二类分类组合在一起获得分类结果。
实验采用四种算法建立图像识别模型，在KNN中，k值取值为4；在RF方法中，决策树的个数为5；在NBM中，通过返回概率来判断分类；在SVM中，核函数类型选择高斯核函数。各个算法实验20次的平均正确率结果如
图6 不同算法的图像识别正确率
Fig. 6 Image recognition accuracy of different algorithms
实验中将星地量子信道共分为6类，前3类由于信道衰减过大，不建议开展星地对接实验；后三类为建议安排星地对接实验的情况。根据“墨子号”量子卫星的参数可知，其在北极星所处39.5°仰角时的星地链路距离约为700 km，发散角约为10 urad，则光斑大小约为38.5
在“墨子号”量子卫星过境前，随机选取的50张北极星的星像，通过图像识别分析，47张图像类别为6。恒星星像94%概率属于第6类，如
图7 预测结果
Fig. 7 Forecast result
根据分类预测，筛选码率在北极星所处仰角时约为8~9 kbit/s，实际星地对接实验在该仰角获得的筛选码率为8.8 kbit/s，符合预期结果。
通过机器学习方法，首次实现了基于恒星星像的星地量子通信信道预测，通过恒星星像可判断地面站所处地理位置是否适合开展星地量子密钥分发实验。该实验结果可用于多颗卫星、多个地面站规划星地对接任务，提高星地量子通信的实用性。采用机器学习方法识别恒星星像为量子通信卫星组网实用化奠定了基础，可以准确、快速地分析复杂环境下星地量子通信的可行性，促进星地量子通信网络的实用化研究。在下一步工作中，将根据星地量子通信系统的实际情况，优化图像识别算法，提高恒星星像的识别正确率，优化图像识别模型及提高星地量子通信预测结果的精确度。
References
PENG C Z， YANG T， BAO X H， et al. Experimental free-space distribution of entangled photon pairs over 13 km： towards satellite-based global quantum communication［J］. Physical review letters， 2005， 94（15）： 150501. 10.1103/physrevlett.94.150501 [百度学术]
URSIN R， TIEFENBACHER F， SCHMITT-MANDERBACH T， et al. Entanglement-based quantum communication over 144 km［J］. Nature physics， 2007， （7）： 481-486. 10.1038/nphys629 [百度学术]
SCHEIDL T， URSIN R， FEDRIZZI A， et al. Feasibility of 300 km quantum key distribution with entangled states［J］. New Journal of Physics， 2009， 11（8）： 085002. 10.1088/1367-2630/11/8/085002 [百度学术]
FEDRIZZI A， URSIN R， HERBST T， et al. High-fidelity transmission of entanglement over a high-loss free-space channel［J］. Nature Physics， 2009， 5（6）： 389-392. 10.1038/nphys1255 [百度学术]
CAPRARO I， TOMAELLO A， DALL’ARCHE A， et al. Impact of turbulence in long range quantum and classical communications［J］. Physical review letters， 2012， 109（20）： 200502. 10.1103/physrevlett.109.200502 [百度学术]
PEUNTINGER C， HEIM B， MÜLLER C R， et al. Distribution of squeezed states through an atmospheric channel［J］. Physical review letters， 2014， 113（6）： 060502. 10.1103/physrevlett.113.060502 [百度学术]
YIN J， REN J G， LU H， et al. Quantum teleportation and entanglement distribution over 100-kilometre free-space channels［J］. Nature， 2012， 488（7410）： 185-188. 10.1038/nature11332 [百度学术]
MA X S， HERBST T， SCHEIDL T， et al. Quantum teleportation over 143 kilometres using active feed-forward［J］. Nature， 2012， 489（7415）： 269-273. 10.1038/nature11472 [百度学术]
CAO Y， LIANG H， YIN J， et al. Entanglement-based quantum key distribution with biased basis choice via free space［J］. Optics express， 2013， 21（22）： 27260-27268. 10.1364/oe.21.027260 [百度学术]
LIAO S K， CAI W Q， LIU W Y， et al. Satellite-to-ground quantum key distribution［J］. Nature， 2017， 549（7670）： 43-47. 10.1038/nature23655 [百度学术]
REN J G， XU P， YONG H L， et al. Ground-to-satellite quantum teleportation［J］. Nature， 2017， 549（7670）： 70-73. 10.1038/nature23675 [百度学术]
YIN J， CAO Y， LI Y H， et al. Satellite-based entanglement distribution over 1200 kilometers［J］. Science， 2017， 356（6343）： 1140-1144. 10.1126/science.aan3211 [百度学术]
LIAO S K， CAI W Q， HANDSTEINER J， et al. Satellite-relayed intercontinental quantum network［J］. Physical review letters， 2018， 120（3）： 030501. 10.1103/physrevlett.120.030501 [百度学术]
OI D K L， LING A， VALLONE G， et al. CubeSat quantum communications mission［J］. EPJ Quantum Technology， 2017， 4（1）： 6. 10.1140/epjqt/s40507-017-0060-1 [百度学术]
GRIEVE J A， BEDINGTON R， TANG Z， et al. SpooQySats： CubeSats to demonstrate quantum key distribution technologies［J］. Acta Astronautica， 2018， 151： 103-106. 10.1016/j.actaastro.2018.06.005 [百度学术]
NEUMANN S P， JOSHI S K， FINK M， et al.
ZONG W， HUANG G B. Face recognition based on extreme learning machine［J］. Neurocomputing， 2011， 74（16）： 2541-2551. 10.1016/j.neucom.2010.12.041 [百度学术]
ERICKSON B J， KORFIATIS P， AKKUS Z， et al. Machine learning for medical imaging［J］. Radiographics， 2017， 37（2）： 505-515. 10.1148/rg.2017160130 [百度学术]
ZOPH B， VASUDEVAN V， SHLENS J， et al. Learning transferable architectures for scalable image recognition［C］//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018： 8697-8710. 10.1109/cvpr.2018.00907 [百度学术]
BISHOP C M. Pattern recognition and machine learning［M］. springer， 2006. [百度学术]
WIRTH G. Astronomical magnitude systems［J］. Dept. of Physics and Astronomy， University of Toronto， 2012. [百度学术]
GUO G， WANG H， BELL D， et al. KNN model-based approach in classification［C］//OTM Confederated International Conferences" On the Move to Meaningful Internet Systems". Springer， Berlin， Heidelberg， 2003： 986-996. 10.1007/978-3-540-39964-3_62 [百度学术]
LIAW A， WIENER M. Classification and regression by randomForest［J］. R news， 2002， 2（3）： 18-22. [百度学术]
LANGLEY P， SAGE S. Induction of selective Bayesian classifiers［M］//Uncertainty Proceedings 1994. Morgan Kaufmann， 1994： 399-406. 10.1016/b978-1-55860-332-5.50055-9 [百度学术]
SUYKENS J A K， VANDEWALLE J. Least squares support vector machine classifiers［J］. Neural processing letters， 1999， 9（3）： 293-300. [百度学术]