引用本文：
梁瑞悦，于海洋，陈纯毅，等. 基于PSO-WELM的不平衡OAM识别模型研究[J]. 光通信技术，2025，49（3）：67-72.
梁瑞悦1，于海洋1,2*，陈纯毅1,2，倪小龙2，胡小娟1，李延风1
（1.长春理工大学 计算机科学技术学院，长春 130022；2.长春理工大学 光电测控与光信息传输技术教育部重点实验室，长春 130022）
【下载PDF全文】 【下载Word】摘要：针对标签分布不平衡的轨道角动量（OAM）识别问题，提出了基于粒子群优化（PSO）算法的加权极限学习机（WELM）识别模型。该模型利用PSO算法对WELM的输入权重和偏置进行联合优化，提高了WELM的稳定性和鲁棒性。对比分析了PSO-WELM模型与支持向量机（SVM）、深度学习（DL）、反向传播人工神经网络（BP-ANN）模型的性能。实验结果表明：PSO-WELM模型在较弱湍流强度下能够完全正确识别少数类、多数类OAM光束；在中等湍流强度下，PSO-WELM模型的各项评价指标值均优于对比方法，证明了该模型在识别不平衡状态OAM光束方面具有可行性和有效性。
关键词：不平衡数据；轨道角动量；机器学习；粒子群优化算法；极限学习机
中图分类号：TN929.12 文献标志码：A 文章编号：1002-5561（2025）03-0067-06
DOI:10.13921/j.cnki.issn1002-5561.2025.03.011
研究背景：
轨道角动量（OAM）光束因正交可分离特性在自由空间光（FSO）通信中具有重要应用。
实际应用中，OAM光束的样本数据常呈现非均衡分布，且大气湍流会破坏OAM光束的正交性，降低识别精度。
研究目的：
针对大气湍流环境下非均衡OAM光束的识别难题，提出一种融合粒子群优化（PSO）与加权极限学习机（WELM）的智能识别模型。
模型介绍：
加权极限学习机（WELM）：在传统ELM框架中引入权重矩阵，通过提升少数类样本的错分惩罚权重，改善非均衡数据集的识别性能。
粒子群优化（PSO）：用于联合优化WELM的输入权重和偏置，提高模型的稳定性和鲁棒性。
数据处理与模型构建：
对受大气湍流影响的LG光束光强图像进行灰度化处理，构建训练集和测试集。
根据训练集和测试集的标签，对应训练集期望输出矩阵和测试集期望输出矩阵。
优化问题求解：
构建优化目标，实现训练误差最小化与模型泛化能力平衡。
利用KKT理论求解优化问题，得到输出权重的解析解。
实验设计与结果分析：
设定仿真参数，生成不同大气湍流强度下的LG光束数据集。
选用均方根误差（RMSE）、几何均值（G-mean）和接收者操作特征（ROC）曲线作为评价指标。
与支持向量机（SVM）、深度学习（DL）及反向传播人工神经网络（BP-ANN）进行对比实验。
结果表明，在较弱和中等湍流强度下，PSO-WELM模型的各项评价指标均优于对比方法，能够完全正确识别少数类和多数类OAM光束。
结论与展望：
PSO-WELM模型在不平衡OAM光束识别方面具有可行性和有效性。
未来研究可进一步优化WELM模型结构，增强其在强湍流环境下对不平衡OAM光束的识别能力。
综上所述，该文件提出了一种基于PSO和加权ELM的不平衡OAM识别方法，通过实验验证了该方法的有效性和优越性，为不平衡OAM光束识别提供了有效解决方案。