引言

彈性光網(wǎng)絡(luò)（Elastic Optical Network, EON）通過靈活調(diào)整子載波帶寬和調(diào)制格式，實現(xiàn)了頻譜資源的高效利用。隨著網(wǎng)絡(luò)動態(tài)性和復(fù)雜性增加，準(zhǔn)確識別信號調(diào)制格式成為保障傳輸質(zhì)量與頻譜效率的關(guān)鍵挑戰(zhàn)。傳統(tǒng)識別方法依賴先驗信息或固定閾值，難以適應(yīng)多種調(diào)制格式共存和信道損傷變化的場景。為此，本文提出一種基于改進(jìn)粒子群優(yōu)化（PSO）聚類的調(diào)制格式識別方法及系統(tǒng)，通過優(yōu)化聚類中心與特征加權(quán)，提高識別精度和魯棒性。

問題分析

彈性光網(wǎng)絡(luò)中，調(diào)制格式識別可視為無監(jiān)督聚類問題。常用信號特征包括高階累積量、星座圖幅度分布、異步幅度直方圖等。不同調(diào)制格式（如QPSK、8QAM、16QAM、32QAM）在低信噪比下特征重疊嚴(yán)重，且信道中的色散、非線性效應(yīng)導(dǎo)致特征漂移。傳統(tǒng)K-means聚類對初始中心敏感且易陷入局部最優(yōu)，而標(biāo)準(zhǔn)PSO聚類雖然全局搜索能力較強(qiáng)，但存在早熟收斂和后期震蕩問題。因此，需要改進(jìn)PSO算法以提升聚類性能。

改進(jìn)PSO聚類算法

1. 算法結(jié)構(gòu)

本方法將聚類中心編碼為粒子位置，每個粒子代表一種潛在的分簇方案。適應(yīng)度函數(shù)采用類內(nèi)緊湊度與類間分離度的加權(quán)組合（如Davies-Bouldin指數(shù)）。為每個特征維度引入權(quán)重系數(shù)，與聚類中心聯(lián)合優(yōu)化，形成“特征加權(quán)+中心優(yōu)化”的雙層搜索空間。

2. 關(guān)鍵改進(jìn)點

• 自適應(yīng)慣性權(quán)重：慣性權(quán)重隨迭代次數(shù)非線性遞減，平衡全局探索與局部開發(fā)。公式：w = wmax - (wmax - wmin) * (iter / maxiter)^2。
• 動態(tài)學(xué)習(xí)因子：c1和c2隨迭代調(diào)整，初期強(qiáng)調(diào)個體認(rèn)知，后期強(qiáng)調(diào)社會認(rèn)知，避免早熟。
• 變異操作：對適應(yīng)度停滯的粒子施加高斯變異，增加種群多樣性。
• 邊界約束與修復(fù)：對超出搜索空間的粒子維度進(jìn)行隨機(jī)重置或反射處理，確保聚類中心有效。
• 快速收斂策略：結(jié)合K-means++初始化部分粒子，加速收斂。

3. 識別流程

1. 從接收信號中提取高階累積量、幅度方差、峰度等特征，構(gòu)成特征向量。
2. 歸一化特征并隨機(jī)初始化粒子群，設(shè)置最大迭代次數(shù)。
3. 對每個粒子，計算其對應(yīng)的聚類劃分，并評估適應(yīng)度。
4. 更新個體最優(yōu)和全局最優(yōu)，應(yīng)用自適應(yīng)權(quán)重、動態(tài)學(xué)習(xí)因子和變異。
5. 迭代至收斂或最大次數(shù)，輸出最優(yōu)特征權(quán)重和聚類中心。
6. 對待識別信號，根據(jù)最優(yōu)聚類中心進(jìn)行最近鄰分配，獲得調(diào)制格式標(biāo)簽。

系統(tǒng)實現(xiàn)

本系統(tǒng)包括：

• 信號采集模塊：從光接收機(jī)獲取基帶信號，進(jìn)行同步、均衡和特征提取。
• 聚類優(yōu)化模塊：運行改進(jìn)PSO聚類算法，在線或離線訓(xùn)練聚類模型。
• 識別判決模塊：加載聚類中心和特征權(quán)重，對實時信號進(jìn)行調(diào)制格式分類。
• 性能評估模塊：計算識別準(zhǔn)確率、混淆矩陣和復(fù)雜度，反饋優(yōu)化參數(shù)。
• 存儲與更新模塊：保存歷史模型，支持增量學(xué)習(xí)以適應(yīng)網(wǎng)絡(luò)變化。

系統(tǒng)可采用FPGA或GPU加速PSO迭代，滿足彈性光網(wǎng)絡(luò)實時性要求。仿真結(jié)果表明，在信噪比低至12 dB時，對QPSK、8QAM、16QAM、32QAM的平均識別準(zhǔn)確率可達(dá)95%以上，優(yōu)于標(biāo)準(zhǔn)PSO聚類和K-means方法。

結(jié)論

本文提出的基于改進(jìn)PSO聚類的彈性光網(wǎng)絡(luò)調(diào)制格式識別方法及系統(tǒng)，通過自適應(yīng)參數(shù)調(diào)整、變異操作和特征加權(quán)，有效解決了傳統(tǒng)聚類易陷入局部最優(yōu)和對初始值敏感的問題。 future work將探索深度聚類與PSO的混合框架，并擴(kuò)展至概率整形調(diào)制格式的識別場景。