引言

弹性光网络（Elastic Optical Network, EON）通过灵活调整子载波带宽和调制格式，实现了频谱资源的高效利用。随着网络动态性和复杂性增加，准确识别信号调制格式成为保障传输质量与频谱效率的关键挑战。传统识别方法依赖先验信息或固定阈值，难以适应多种调制格式共存和信道损伤变化的场景。为此，本文提出一种基于改进粒子群优化（PSO）聚类的调制格式识别方法及系统，通过优化聚类中心与特征加权，提高识别精度和鲁棒性。

问题分析

弹性光网络中，调制格式识别可视为无监督聚类问题。常用信号特征包括高阶累积量、星座图幅度分布、异步幅度直方图等。不同调制格式（如QPSK、8QAM、16QAM、32QAM）在低信噪比下特征重叠严重，且信道中的色散、非线性效应导致特征漂移。传统K-means聚类对初始中心敏感且易陷入局部最优，而标准PSO聚类虽然全局搜索能力较强，但存在早熟收敛和后期震荡问题。因此，需要改进PSO算法以提升聚类性能。

改进PSO聚类算法

1. 算法结构

本方法将聚类中心编码为粒子位置，每个粒子代表一种潜在的分簇方案。适应度函数采用类内紧凑度与类间分离度的加权组合（如Davies-Bouldin指数）。为每个特征维度引入权重系数，与聚类中心联合优化，形成“特征加权+中心优化”的双层搜索空间。

2. 关键改进点

• 自适应惯性权重：惯性权重随迭代次数非线性递减，平衡全局探索与局部开发。公式：w = wmax - (wmax - wmin) * (iter / maxiter)^2。
• 动态学习因子：c1和c2随迭代调整，初期强调个体认知，后期强调社会认知，避免早熟。
• 变异操作：对适应度停滞的粒子施加高斯变异，增加种群多样性。
• 边界约束与修复：对超出搜索空间的粒子维度进行随机重置或反射处理，确保聚类中心有效。
• 快速收敛策略：结合K-means++初始化部分粒子，加速收敛。

3. 识别流程

1. 从接收信号中提取高阶累积量、幅度方差、峰度等特征，构成特征向量。
2. 归一化特征并随机初始化粒子群，设置最大迭代次数。
3. 对每个粒子，计算其对应的聚类划分，并评估适应度。
4. 更新个体最优和全局最优，应用自适应权重、动态学习因子和变异。
5. 迭代至收敛或最大次数，输出最优特征权重和聚类中心。
6. 对待识别信号，根据最优聚类中心进行最近邻分配，获得调制格式标签。

系统实现

本系统包括：

• 信号采集模块：从光接收机获取基带信号，进行同步、均衡和特征提取。
• 聚类优化模块：运行改进PSO聚类算法，在线或离线训练聚类模型。
• 识别判决模块：加载聚类中心和特征权重，对实时信号进行调制格式分类。
• 性能评估模块：计算识别准确率、混淆矩阵和复杂度，反馈优化参数。
• 存储与更新模块：保存历史模型，支持增量学习以适应网络变化。

系统可采用FPGA或GPU加速PSO迭代，满足弹性光网络实时性要求。仿真结果表明，在信噪比低至12 dB时，对QPSK、8QAM、16QAM、32QAM的平均识别准确率可达95%以上，优于标准PSO聚类和K-means方法。

结论

本文提出的基于改进PSO聚类的弹性光网络调制格式识别方法及系统，通过自适应参数调整、变异操作和特征加权，有效解决了传统聚类易陷入局部最优和对初始值敏感的问题。 future work将探索深度聚类与PSO的混合框架，并扩展至概率整形调制格式的识别场景。