全文阅读精要

这篇文章是关于一种基于幅值密度特征的调制格式识别方法的研究，主要探讨了如何通过引入归一化注意力机制（NAM）的MobileViT模型来识别光信号的调制格式。以下是文件的核心内容总结：

1. 研究背景与意义：

• 背景：随着光纤通信技术的发展，未来光网络将更加智能化和灵活，能够动态调整调制格式以适应不同信道条件，提高带宽资源利用效率。

• 意义：调制格式识别（MFI）是保障光纤通信系统可靠运行的关键技术，特别是在弹性光网络（EON）中，对于瞬时服务传输请求至关重要。

2. 现有方法的不足：

• 现有MFI方法虽然能在一定条件下保证准确率，但往往忽视了高阶调制格式（如128QAM）识别的重要性，尤其是在低信噪比（OSNR）条件下，高阶调制格式的信号特征容易被噪声掩盖。

3. 提出的方法：

• 基于幅值密度特征的MFI方法：利用信号的幅值密度图作为特征，通过改进的MobileViT-NAM模型进行调制格式识别。

• MobileViT-NAM模型：结合MobileViT网络和NAM注意力机制，能够在较少参数下实现高效且精准的特征提取和分类。

4. 基本原理：

• 幅值密度图生成：对均衡后的数字信号进行归一化处理，提取幅值密度特征，生成幅值密度图作为模型输入。

• MobileViT-NAM模型结构：包括卷积层、MobileNetV2模块、MobileViT模块等，通过NAM注意力机制增强对全局和局部信息的感知能力。

5. 实验设置与结果：

• 实验系统：构建了一个28 GBaud偏振复用（PDM）相干传输系统，模拟了QPSK、8QAM、16QAM、32QAM、64QAM和128QAM等多种调制格式。

• 实验结果：在达到100%识别率时，所需最低OSNR均低于对应的20%前向纠错（FEC）阈值；在较宽的OSNR范围内，识别准确率高达99.62%；对残余色散（CD）具有较高的容忍度。

6. 模型性能对比：

• 与其他深度学习方法（如MobileNet、ResNet、VGG-like、MobileViT）相比，MobileViT-NAM模型在保持较低复杂度的同时，显著提高了识别准确率，减少了参数量和模型大小。

7. 研究展望：

• 未来工作将考虑长距离传输及偏振模色散（PMD）等传输条件对模型性能的影响，持续优化网络结构以增强模型的鲁棒性和适应性。

• 该方案有望推广至光网络中的其他数值监测领域，实现更高效、更智能的光网络管理。