光纤LP模式分解

光纤LP模式分解

10个模式合成后的理想分布图和重建分布图以及残差图

df = pd.DataFrame()
# 设置谱图
cm=plt.cm.get_cmap('Spectral_r')
# 创建画布
fig = plt.figure(figsize=(27, 9))
# 设置样例个数
case_nums = 9
# 设置行文字解释
group_name = ["Measurement", "Reconstructed", "Residual"]
for i in range(case_nums):
    output = outputs[i]
    label = labels[i]
    # 通过反复相位组合找出合适的输出标签（只是相位正负重新组合）
    # findTrueLabel函数表示根据预测标签（幅度系数和相位系数）和测量光强分布，
    # 找出正确的相位组合（幅度不变）使得重建的和测量的分布最大相似
    output = findTrueLabel(label, output)
    
    # 测量的参数
    para = label.tolist()
    alpha_m = para[:split_len]
    beta_m = para[split_len:]
    # 重建的参数
    para = output.tolist()
    alpha_r = para[:split_len]
    beta_r = para[split_len:]
    #beta_r = np.arccos(beta_r)
    
    # 根据参数求出光强分布、相位分布、标签参数
    # init_superposition_mode函数表示根据本征模的幅度系数和相位系数创建模场分布
    I_r, phase_r, label_r = init_superposition_mode(alpha_r, beta_r)
    I_m, phase_m, label_m = init_superposition_mode(alpha_m, beta_m)
    
    # 设置子图对边坐标
    ax1 = fig.add_subplot(3,case_nums,0 + i + 1 )
    ax2 = fig.add_subplot(3,case_nums,1 * case_nums + i + 1 )
    ax3 = fig.add_subplot(3,case_nums,2 * case_nums + i + 1)
    # 画出子图
    cbar1 = ax1.pcolormesh(X, Y, I_m, cmap=cm, vmin=0, vmax=1)
    cbar2 = ax2.pcolormesh(X, Y, I_r, cmap=cm, vmin=0, vmax=1)
    cbar3 = ax3.pcolormesh(X, Y, abs(I_m- I_r),cmap=cm, vmin=0, vmax=1)
    
    # pearsonr函数求分布相似性
    p = pearsonr(I_m, I_r)
    
    # 设置辅助文字解释
    if i == 0:
        ax1.set_ylabel(group_name[0], fontdict = {'size':16})
        ax2.set_ylabel(group_name[1], fontdict = {'size':16})
        ax3.set_ylabel(group_name[2], fontdict = {'size':16})
    ax3.set_xlabel('corr: '+ str(round(p,4)), fontdict = {'size':16})
    
#前面三个子图的总宽度 为 全部宽度的 0.9；剩下的0.1用来放置colorbar
fig.subplots_adjust(right=0.9)

#colorbar 左 下 宽 高 
l = 0.92
b = 0.12
w = 0.015
h = 1 - 2*b 

#对应 l,b,w,h；设置colorbar位置；
rect = [l,b,w,h] 
cbar_ax = fig.add_axes(rect)
cb = plt.colorbar(cbar3,  cax=cbar_ax)

分解效果图和相似性

作图参考链接如下：
matplotlib 合理设置colorbar和子图的对应关系