1. 研究背景与目的

• 背景：随着弹性光网络（EON）的发展，需要更高的灵活性和适应性，其中调制格式识别（MFI）是确保高效可靠通信的核心技术。

• 目的：提高MFI的准确性与鲁棒性，特别是在低信噪比（OSNR）环境下。

2. 研究方法

• 特征提取：基于Stokes空间，通过核密度估计提取三轴的一维概率分布特征，构建240维特征向量。

• 模型构建：采用Stacking集成学习模型，基模型包括随机森林、SVM、AdaBoost、MLP，元模型为CatBoost和MLP。

• 优化方法：使用遗传算法优化模型组合，贝叶斯优化调参，提升模型性能。

3. 实验设置与数据处理

• 仿真链路：利用OptiSystem 15软件搭建，包含发送端、传输链路和接收端。

• 调制格式：测试PDM-BPSK、PDM-QPSK、PDM-8PSK、PDM-8QAM、PDM-16QAM、PDM-32QAM、PDM-64QAM七种调制格式。

• 数据集：OSNR范围5~30 dB，每种格式在固定OSNR下生成200组数据，总计18200组，按80%训练集与20%测试集划分。

4. 结果与分析

• 性能表现：

• ROC曲线与AUC：宏平均ROC曲线下的面积（AUC）达1，表明模型分类性能优秀。

• 识别准确率：除32QAM和64QAM外，其他信号分类准确率超过98.5%，平均准确率较XGboost等对比模型提升2.05%~5.63%。

• 低信噪比性能：在18 dB OSNR时即可实现100%识别精度，优于其他模型。

• OSNR影响：所有MFI精度达到100%前对应的OSNR值均低于理论FEC阈值，显示模型在低信噪比环境下的卓越性能。

5. 比较与讨论

• 与其他模型比较：与XGboost、Tabnet、FT-transformer、Elastic-net等模型相比，Stacking模型在低信噪比时性能显著更优。

• 局限性：在处理更高阶调制格式及复杂信道环境时仍存在挑战。

6. 结论与未来工作

• 结论：提出的基于Stacking模型的MFI方法在提高识别准确率和鲁棒性方面表现优异。

• 未来工作：优化模型结构，结合更多维度的信道特性，提升方法在复杂环境中的泛化能力。