人工智能在光通信系統(tǒng)中的自適應(yīng)調(diào)制與調(diào)制識(shí)別技術(shù)研究

李心瑜，李承睿，徐佳哲

（河北經(jīng)貿(mào)大學(xué)，河北 石家莊 050000）

0 引 言

隨著互聯(lián)網(wǎng)的快速發(fā)展和數(shù)據(jù)需求的不斷增加，光通信作為一種高帶寬、低損耗的傳輸方式，已成為現(xiàn)代通信系統(tǒng)中不可或缺的組成部分。然而，光通信系統(tǒng)在不同的信道條件下可能面臨不同的挑戰(zhàn)。為了實(shí)現(xiàn)高效可靠的數(shù)據(jù)傳輸，自適應(yīng)調(diào)制和調(diào)制識(shí)別技術(shù)成為研究重點(diǎn)。

文章旨在探索人工智能在光通信系統(tǒng)中自適應(yīng)調(diào)制和調(diào)制識(shí)別技術(shù)的應(yīng)用。根據(jù)實(shí)時(shí)的信道條件和系統(tǒng)要求選擇最佳的調(diào)制格式，提高數(shù)據(jù)傳輸?shù)男屎托阅堋Ｗ赃m應(yīng)調(diào)制技術(shù)可以根據(jù)不同的信道條件對(duì)調(diào)制方式進(jìn)行動(dòng)態(tài)調(diào)整，最大限度地利用可用的帶寬資源[1]。自適應(yīng)調(diào)制技術(shù)還可以根據(jù)實(shí)時(shí)的信道狀態(tài)調(diào)整調(diào)制方式，以應(yīng)對(duì)不同的信道衰減、非線性效應(yīng)以及噪聲干擾等挑戰(zhàn)，實(shí)現(xiàn)更穩(wěn)定和可靠的信息傳輸[2]。

1 自適應(yīng)調(diào)制技術(shù)

自適應(yīng)調(diào)制技術(shù)是根據(jù)當(dāng)前信道條件和系統(tǒng)要求動(dòng)態(tài)選擇最佳的調(diào)制方式，能夠提高傳輸效率和性能[3]。

1.1 反饋系統(tǒng)

在反饋系統(tǒng)中，接收端通過監(jiān)測(cè)信道質(zhì)量指標(biāo)，將反饋信息傳輸回發(fā)送端。發(fā)送端根據(jù)接收到的反饋信息，采用適當(dāng)?shù)乃惴▉碚{(diào)整調(diào)制格式，以優(yōu)化傳輸性能。

設(shè)計(jì)一個(gè)基于反饋系統(tǒng)的自適應(yīng)調(diào)制的模擬方案，將接收到的信號(hào)表示為r(t)，發(fā)送信號(hào)表示為s(t)，其中t表示時(shí)間。接收信號(hào)r(t)可以通過通道傳輸（如光纖通道），并受到噪聲n(t)的影響，表達(dá)式為

首先，在接收端，可以通過采樣和解調(diào)的方式獲取信號(hào)的基帶。其次，可以使用合適的算法和技術(shù)計(jì)算出信道質(zhì)量指標(biāo)，例如信噪比（Signal Noice Rate，SNR）和誤碼率（Bit Error Rate，BER）。再次，將信道質(zhì)量指標(biāo)反饋給發(fā)送端，這可以通過一條反饋信道或其他適當(dāng)?shù)耐ㄐ艡C(jī)制來實(shí)現(xiàn)。最后，發(fā)送端根據(jù)接收到的反饋信息，選擇最佳的調(diào)制格式優(yōu)化傳輸性能。

假設(shè)有一組調(diào)制格式集合M={M1,M2,…,Mn}，其中Mn表示第n個(gè)調(diào)制格式。還有一組反饋信息集合F={F1,F2,…,Fn}，其中，F(xiàn)n表示與第n個(gè)調(diào)制格式相對(duì)應(yīng)的反饋信息。

根據(jù)接收到的反饋信息，可以定義一個(gè)決策函數(shù)d:F→，它是一個(gè)映射函數(shù)，將接收到的反饋信息F映射到調(diào)制格式集合M中。決策函數(shù)d的目標(biāo)是根據(jù)接收到的反饋信息選擇最佳的調(diào)制格式，以優(yōu)化傳輸性能。對(duì)于給定的反饋信息f| inF，決策函數(shù)d將返回一個(gè)調(diào)制格式m| inM，使得在當(dāng)前的信道條件下能夠達(dá)到最佳的傳輸效果。該函數(shù)根據(jù)反饋信息選擇最佳的調(diào)制格式。決策函數(shù)的目標(biāo)是使傳輸性能最大化，誤碼率最小化。

決策函數(shù)的具體實(shí)現(xiàn)可以采用不同的方法和算法，取決于系統(tǒng)的要求和性能指標(biāo)。一些常見的決策方法特點(diǎn)及應(yīng)用領(lǐng)域如表1 所示。

表1 決策方法特點(diǎn)及應(yīng)用領(lǐng)域

1.2 預(yù)測(cè)模型

預(yù)測(cè)模型基于歷史數(shù)據(jù)和實(shí)時(shí)觀測(cè)，利用機(jī)器學(xué)習(xí)或統(tǒng)計(jì)方法預(yù)測(cè)信道的未來狀態(tài)，以此來選擇最佳的調(diào)制格式。通過一組歷史數(shù)據(jù)和實(shí)時(shí)觀測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)模型訓(xùn)練，這些數(shù)據(jù)包含信道質(zhì)量指標(biāo)和相應(yīng)的調(diào)制格式選擇。假設(shè)歷史數(shù)據(jù)集合為D={(f1,m1),(f2,m2),…,(fi,mi)}，其中fi表示第i次觀測(cè)得到的反饋信息，mi表示相應(yīng)的調(diào)制格式選擇。使用這個(gè)數(shù)據(jù)集合訓(xùn)練一個(gè)預(yù)測(cè)模型。預(yù)測(cè)模型的輸入是反饋信息f，輸出是預(yù)測(cè)的信道狀態(tài)s，可以表示為s=predict(f)，預(yù)測(cè)函數(shù)s在自適應(yīng)調(diào)制中用于預(yù)測(cè)未來的信道狀態(tài)。該函數(shù)的具體實(shí)現(xiàn)基于機(jī)器學(xué)習(xí)或統(tǒng)計(jì)的方法，并根據(jù)系統(tǒng)的要求和數(shù)據(jù)的特點(diǎn)選擇調(diào)制方式。

預(yù)測(cè)模型訓(xùn)練的目標(biāo)是使預(yù)測(cè)結(jié)果與實(shí)際信道狀態(tài)盡可能接近，可以通過選擇適當(dāng)?shù)膿p失函數(shù)和優(yōu)化算法來實(shí)現(xiàn)。一旦預(yù)測(cè)模型訓(xùn)練完成，就可以通過實(shí)時(shí)觀測(cè)數(shù)據(jù)的方式進(jìn)行信道狀態(tài)的實(shí)時(shí)預(yù)測(cè)。假設(shè)當(dāng)前時(shí)刻的反饋信息為fcurrent，根據(jù)預(yù)測(cè)模型，可以得到當(dāng)前時(shí)刻的信道狀態(tài)預(yù)測(cè)scurrent=predict(fcurrent)。

2 調(diào)制識(shí)別技術(shù)

調(diào)制識(shí)別是光通信系統(tǒng)要完成的關(guān)鍵任務(wù)之一，其主要目標(biāo)是通過分析接收到的信號(hào)，確定信號(hào)所采用的調(diào)制格式[4]。光通信系統(tǒng)中通常同時(shí)使用多種調(diào)制格式，如二進(jìn)制相移鍵控（Binary Phase Shift Keying，BPSK）、四進(jìn)制相移鍵控（Quadrature Phase Shift Keying，QPSK）等。因此，通過調(diào)制識(shí)別能夠幫助接收端正確解調(diào)并識(shí)別傳輸中使用的調(diào)制格式。光通信系統(tǒng)中的信道條件和要求可能隨時(shí)間變化，通過調(diào)制識(shí)別可以實(shí)現(xiàn)自適應(yīng)調(diào)制，根據(jù)當(dāng)前信道條件選擇最佳的調(diào)制格式，以優(yōu)化傳輸性能。調(diào)制識(shí)別還可以用于檢測(cè)和診斷光通信系統(tǒng)中的故障。通過識(shí)別故障的調(diào)制格式，進(jìn)行相應(yīng)的故障排除和維護(hù)操作。

2.1 機(jī)器學(xué)習(xí)算法

在調(diào)制識(shí)別中，機(jī)器學(xué)習(xí)算法可以通過訓(xùn)練大量數(shù)據(jù)樣本學(xué)習(xí)調(diào)制格式的特征和模式，從而實(shí)現(xiàn)準(zhǔn)確的調(diào)制識(shí)別。下面將對(duì)支持向量機(jī)（Support Vector Machine，SVM）、隨機(jī)森林這2 種機(jī)器學(xué)習(xí)算法進(jìn)行詳細(xì)闡述。

2.1.1 支持向量機(jī)算法

支持向量機(jī)是一種監(jiān)督學(xué)習(xí)算法，通過構(gòu)建最優(yōu)超平面來進(jìn)行分類。在調(diào)制識(shí)別中，SVM 可以用于將特征向量映射到合適的調(diào)制格式。

定義訓(xùn)練集為(x1,y1),(x2,y2),…,(xi,yi)，其中xi為特征向量，yi為對(duì)應(yīng)的調(diào)制格式標(biāo)簽（類別）。該算法的目標(biāo)是找到一個(gè)超平面，將不同調(diào)制格式的樣本分開，使得兩側(cè)的間隔最大化。

超平面公式為

式中：為法向量；為特征向量；b為截距。該超平面將特征空間分為2 個(gè)區(qū)域，分別對(duì)應(yīng)不同的調(diào)制格式。

SVM 的優(yōu)化目標(biāo)是最大化間隔的同時(shí)，保證正確分類并避免分類錯(cuò)誤。通過求解得到最優(yōu)的超平面，即

式中：C為正則化參數(shù)，用于控制間隔和誤分類的權(quán)衡；xi為松弛變量。

2.1.2 隨機(jī)森林算法

隨機(jī)森林是一種集成學(xué)習(xí)算法，通過構(gòu)建多個(gè)決策樹并通過投票或平均來輸出最終的調(diào)制識(shí)別。隨機(jī)森林利用自助采樣法（Bootstrap Sampling，BS）從訓(xùn)練集中有放回地抽取樣本，構(gòu)建多個(gè)決策樹。在每個(gè)決策樹的節(jié)點(diǎn)上，隨機(jī)選擇一部分特征進(jìn)行劃分。

隨機(jī)森林的建模過程如下。（1）對(duì)于每棵樹t=1,2,…,T，隨機(jī)從訓(xùn)練集中有放回地抽取樣本，構(gòu)建一個(gè)訓(xùn)練集Dt，根據(jù)Dt構(gòu)建一棵決策樹Tt，在每個(gè)節(jié)點(diǎn)上隨機(jī)選擇一部分特征進(jìn)行劃分；（2）在預(yù)測(cè)時(shí)，對(duì)于一個(gè)輸入樣本x，對(duì)于每棵樹t=1,,2,…,T，利用Tt進(jìn)行預(yù)測(cè)，得到調(diào)制格式的預(yù)測(cè)結(jié)果yt；（3）最終的預(yù)測(cè)結(jié)果為通過投票或平均得到的最多選取的調(diào)制格式。通過訓(xùn)練大量數(shù)據(jù)樣本，這些機(jī)器學(xué)習(xí)算法能夠?qū)W習(xí)到調(diào)制格式的特征和模式，從而實(shí)現(xiàn)準(zhǔn)確的調(diào)制識(shí)別。

2.2 深度學(xué)習(xí)算法

2.2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一種特殊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要用于處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，如圖像數(shù)據(jù)。在調(diào)制識(shí)別中，可以將調(diào)制信號(hào)看作一維或二維的網(wǎng)格結(jié)構(gòu)數(shù)據(jù)，并利用CNN 進(jìn)行特征提取和分類。

給定輸入信號(hào)x，CNN 由多個(gè)卷積層、池化層以及全連接層組成。卷積層通過卷積操作提取輸入信號(hào)的局部特征，池化層通過降采樣操作減少特征的維度，全連接層通過連接所有特征進(jìn)行最終的調(diào)制識(shí)別。卷積層中的卷積公式為

式中：xi為輸入信號(hào)的第i個(gè)子序列；wj為卷積核的權(quán)重；b'為偏置項(xiàng)；σ(·)是激活函數(shù)。

池化層可以通過最大池化或平均池化等操作減少特征的維度。最大池化公式為

全連接層將所有特征連接起來，并通過最大池化函數(shù)進(jìn)行分類，得到每個(gè)調(diào)制格式的概率分布。

2.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）是一種遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要用于處理序列數(shù)據(jù)，如時(shí)序信號(hào)。在調(diào)制識(shí)別中，可以將調(diào)制信號(hào)看作時(shí)序序列，并利用RNN 進(jìn)行特征提取和分類。

給定輸入信號(hào)序列x=[x1,x2,…,xt]，RNN 通過循環(huán)連接的方式對(duì)序列進(jìn)行建模。每個(gè)時(shí)間步的輸出由當(dāng)前輸入和前一時(shí)間步的隱藏狀態(tài)決定，即

式中：ht為隱藏狀態(tài)；Wh和Wx為權(quán)重矩陣；b'為偏置項(xiàng)；σ為激活函數(shù)。

RNN 的隱藏狀態(tài)可以捕捉到序列中的時(shí)序依賴關(guān)系，從而對(duì)調(diào)制信號(hào)進(jìn)行建模。通過最后一個(gè)時(shí)間步的隱藏狀態(tài)或所有時(shí)間步的隱藏狀態(tài)進(jìn)行最終的調(diào)制識(shí)別。

2.2.3 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）是一種特殊的RNN 變體，通過引入門控單元來捕捉長(zhǎng)期的依賴關(guān)系。在調(diào)制識(shí)別中，LSTM 能夠更好地處理長(zhǎng)序列的調(diào)制信號(hào)，并實(shí)現(xiàn)高效的特征提取和模式學(xué)習(xí)。

與RNN 類似，LSTM 通過循環(huán)連接的方式對(duì)序列進(jìn)行建模。每個(gè)時(shí)間步的輸出由當(dāng)前輸入、前一時(shí)間步的隱藏狀態(tài)和記憶細(xì)胞決定，即

式中：it、ft、ot分別為輸入門、遺忘門、輸出門的激活值；ct為記憶細(xì)胞； 表示逐元素相乘。LSTM 的記憶細(xì)胞能夠有效存儲(chǔ)和傳遞長(zhǎng)期的記憶，從而實(shí)現(xiàn)對(duì)調(diào)制信號(hào)的建模和分類。

3 結(jié) 論

文章主要研究了人工智能在光通信系統(tǒng)中的自適應(yīng)調(diào)制與調(diào)制識(shí)別技術(shù)。首先詳細(xì)闡述了反饋系統(tǒng)和預(yù)測(cè)模型2 種實(shí)現(xiàn)自適應(yīng)調(diào)制的方法，并給出了相應(yīng)的數(shù)學(xué)表達(dá)；其次探討了調(diào)制識(shí)別技術(shù)的重要性和挑戰(zhàn)性，并分析了人工智能在調(diào)制識(shí)別中的應(yīng)用；最后，討論了特征提取和分類算法選擇的問題，并分別介紹了機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法在調(diào)制識(shí)別中的應(yīng)用，給出了相應(yīng)的數(shù)學(xué)表達(dá)。通過對(duì)相應(yīng)算法的進(jìn)一步研究和改進(jìn)，人工智能在光通信系統(tǒng)中的自適應(yīng)調(diào)制與調(diào)制識(shí)別技術(shù)將發(fā)揮更大的作用，有效提升光通信系統(tǒng)的性能和效率。