引言

彈性光網絡（Elastic Optical Network, EON）通過靈活調整子載波帶寬和調制格式，實現了頻譜資源的高效利用。隨著網絡動態性和復雜性增加，準確識別信號調制格式成為保障傳輸質量與頻譜效率的關鍵挑戰。傳統識別方法依賴先驗信息或固定閾值，難以適應多種調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粒子群優化（PSO）聚類的調制格式識別方法及系統，通過優化聚類中心與特征加權，提高識別精度和魯棒性。

問題分析

彈性光網絡中，調制格式識別可視為無監督聚類問題。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。不同調制格式（如QPSK、8QAM、16QAM、32QAM）在低信噪比下特征重疊嚴重，且信道中的色散、非線性效應導致特征漂移。傳統K-means聚類對初始中心敏感且易陷入局部最優，而標準PSO聚類雖然全局搜索能力較強，但存在早熟收斂和后期震蕩問題。因此，需要改進PSO算法以提升聚類性能。

改進PSO聚類算法

1. 算法結構

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。適應度函數采用類內緊湊度與類間分離度的加權組合（如Davies-Bouldin指數）。為每個特征維度引入權重系數，與聚類中心聯合優化，形成“特征加權+中心優化”的雙層搜索空間。

2. 關鍵改進點

• 自適應慣性權重：慣性權重隨迭代次數非線性遞減，平衡全局探索與局部開發。公式：w = wmax - (wmax - wmin) * (iter / maxiter)^2。
• 動態學習因子：c1和c2隨迭代調整，初期強調個體認知，后期強調社會認知，避免早熟。
• 變異操作：對適應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：對超出搜索空間的粒子維度進行隨機重置或反射處理，確保聚類中心有效。
• 快速收斂策略：結合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，構成特征向量。
2. 歸一化特征并隨機初始化粒子群，設置最大迭代次數。
3. 對每個粒子，計算其對應的聚類劃分，并評估適應度。
4. 更新個體最優和全局最優，應用自適應權重、動態學習因子和變異。
5. 迭代至收斂或最大次數，輸出最優特征權重和聚類中心。
6. 對待識別信號，根據最優聚類中心進行最近鄰分配，獲得調制格式標簽。

系統實現

本系統包括：

• 信號采集模塊：從光接收機獲取基帶信號，進行同步、均衡和特征提取。
• 聚類優化模塊：運行改進PSO聚類算法，在線或離線訓練聚類模型。
• 識別判決模塊：加載聚類中心和特征權重，對實時信號進行調制格式分類。
• 性能評估模塊：計算識別準確率、混淆矩陣和復雜度，反饋優化參數。
• 存儲與更新模塊：保存歷史模型，支持增量學習以適應網絡變化。

系統可采用FPGA或GPU加速PSO迭代，滿足彈性光網絡實時性要求。仿真結果表明，在信噪比低至12 dB時，對QPSK、8QAM、16QAM、32QAM的平均識別準確率可達95%以上，優于標準PSO聚類和K-means方法。

結論

本文提出的基于改進PSO聚類的彈性光網絡調制格式識別方法及系統，通過自適應參數調整、變異操作和特征加權，有效解決了傳統聚類易陷入局部最優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，并擴展至概率整形調制格式的識別場景。