引用本文：
张明烨，欧洺余，倪钱，等. 基于轻量化RF算法的高阶QAM信号OSNR估计方法[J]. 光通信技术，2024，48（3）：64-67.
张明烨1，欧洺余1，倪 钱2，朱宏娜2*
（1.西南交通大学 信息科学与技术学院，成都 610031；2.西南交通大学 物理科学与技术学院，成都 610031）
【下载PDF全文】 【下载Word】摘要：针对光信噪比（OSNR）估计复杂度高、计算量大的问题，提出了一种基于轻量化随机森林（RF）算法的高阶正交幅度调制（QAM）信号OSNR估计方法。该方法通过将不同OSNR的高阶QAM信号映射为不同的星座图数据集，并利用这些数据集来训练RF模型，从而实现OSNR的快速估计。仿真结果表明：采用基于轻量化RF算法估计64QAM和128QAM信号的OSNR，在系统OSNR真实值为5~30 dB时，2种调制格式的OSNR估计准确率均接近100%；64QAM信号OSNR估计值的平均绝对误差（MAE）为0.08 dB，128QAM的MAE为0.12 dB，比基于长短期记忆（LSTM）算法的信号OSNR估计结果更准确。
关键词：光纤通信；随机森林；光信噪比；高阶正交幅度调制
中图分类号：TN929.11 文献标志码：A 文章编号：1002-5561（2024）03-0064-04
DOI:10.13921/j.cnki.issn1002-5561.2024.03.011
0 引言
光信噪比（OSNR）估计是衡量光纤通信系统性能的关键参数。通过精确估计OSNR，可以及时进行故障排查和系统性能调整，确保光信号的质量和可靠的数据传输。因此，研究光纤通信系统中OSNR的有效监测和估计方法具有重要意义[1]。
传统的光纤性能监测方法（如基于数据处理的OSNR监测）通常存在成本高、精度低，且维修不方便、实时性较差和安全性不强等问题[2]。随着人工智能（AI）技术的快速发展，AI技术为光纤性能监测提供了新的可能性[3]。例如，ZHANG Q等人[4]采用人工神经网络进行联合光学性能监测，NADEEM F等人[5]则使用深度神经网络[6-7]从振幅直方图中提取特征来实现OSNR
监测。此外，卷积神经网络也被用于从图像中提取特征，如眼图[8]、星座图[9]和异步延迟点采样相位图[10]，以实现联合调制格式识别和OSNR监测[11]。
随机森林（RF）算法[12]是一种基于Bagging思想的算法，主要通过无偏估计泛化误差来提高决策树之间的稳定性和鲁棒性。在处理高纬度数据时，RF算法无需特征选择和规范化，能够处理离散和连续的数据，显示出其强大的适应能力。然而，由于RF算法中包含大量的决策树，导致其计算量大、复杂度高。为了解决这个问题，本文提出一种基于轻量化RF算法的高阶正交幅度调制（QAM）信号OSNR估计方法。
4 结束语
本文运用轻量化RF算法对高阶QAM信号OSNR估计。仿真结果表明，估计值与真实值吻合度极高；相比于LSTM算法，轻量化RF算法的效果更佳，其中64QAM的MAE为0.08 dB，128QAM的MAE为0.12 dB。因此，采用基于轻量化RF算法的高阶QAM信号OSNR估计方法，可为高速大容量光纤通信系统性能监控提供有效支撑。在未来的工作中，本文作者将深入探索更多高阶调制格式的可能性，致力于进一步优化网络模型，从而显著提升算法估计的准确率。