引用本文：
张颜鹭，王安蓉，邵宇丰，等. 改善FSO信道估计的机器学习研究进展[J]. 光通信技术，2025，49（3）：16-21.
张颜鹭1，王安蓉1，邵宇丰2*，朱耀东2，柳海楠1，陈 超1，胡文光1，李文臣
（1.重庆三峡学院 电子与信息工程学院，重庆 404100；2.嘉兴大学 信息科学与工程学院，浙江 嘉兴 314001）
【下载PDF全文】 【下载Word】摘要：为应对自由空间光（FSO）通信系统中大气湍流和散射效应导致的信道非线性问题，提升第六代移动通信（6G）时代光通信系统的传输可靠性，综述机器学习（ML）在改善FSO通信信道估计中的研究进展，对比分析了深度学习和非深度学习方法在FSO信道估计中的应用，展示了ML在提升信道估计精度和系统性能方面的优势。最后，展望了ML在FSO通信中遇到的挑战和未来发展趋势，指出了ML算法在FSO通信系统中展现出的巨大潜力，并探讨了未来研究的方向。
关键词：自由空间光通信；机器学习；大气衰减；信道估计；研究进展
中图分类号：TN929.12 文献标志码：A 文章编号：1002-5561（2025）03-0016-06
DOI:10.13921/j.cnki.issn1002-5561.2025.03.003
一、研究背景与意义
FSO通信的优势：高带宽、低延迟、强保密性，成为6G时代关键技术。
面临的挑战：大气湍流、散射等因素导致信道不稳定，影响传输性能。
二、研究内容与进展
1. ML在FSO信道估计中的应用
深度学习（DL）方法
技术特点：通过深度神经网络（如CNN、RNN）实现高精度信道建模。
性能表现：在复杂湍流条件下，误码率（BER）较传统算法降低50%以上。
具体研究：包括自适应FSO网络、端到端信道估计、卷积自动编码器等。
非深度学习（Non-DL）方法
技术特点：采用SVM、随机森林等算法，适应短距离场景。
性能表现：分类准确率达92%，计算复杂度低。
具体研究：包括MLE、贝叶斯估计、聚类算法等。
2. 挑战与展望
数据质量与数量：ML算法对高质量、多样化数据的需求较高。
模型选择与优化：不同ML模型适用于不同类型的FSO信道特征，需优化模型结构和参数。
计算资源消耗：ML模型复杂度高，训练过程耗时且成本较高。
三、研究结论
ML技术的优势：
高精度估计：DL模型能学习复杂信道特性，实现精确信道估计。
强环境适应性：DL模型对信道环境变化表现出较高的鲁棒性。
低复杂度处理：通过优化网络结构，可在维持高精度的同时降低实时处理复杂度。
Non-DL方法的优势：
计算复杂度低：更适合实时处理场景。
实现过程简单：无需复杂模型训练或调参。
四、未来研究方向
数据收集与处理：探索更有效的数据收集和处理方法，提高参数估计准确性。
模型优化与匹配：深入理解不同ML模型特点，更好适应特定应用场景。