0 引言

      光网络是未来智能城市、物联网、数据中心等新兴技术的关键驱动因素，光网络容量的稳步增长带来了带宽和服务质量的挑战。随着终端用户对带宽需求的不断增加，传统光网络固有的静态和固定网格结构的局限性逐渐凸显，未来光网络体系结构将变得更加动态、复杂和透明[1]。

      在灵活的异构光网络中，数据速率和调制格式可以根据终端用户的需求和信道条件而改变[2]。采用高级调制格式，如正交相移键控（QPSK）、正交幅度调制（QAM）和脉冲幅度调制（PAM），能够有效提高光传输中的光谱效率。因此，调制格式识别（MFI）是未来光网络中的一项重要任务。若在不需要来自发射端任何先验信息的情况下，在接收端对调制格式进行自主分析和识别，可以提高光网络的灵活性。文献[3]通过结合主成分分析和奇异值分解的方法，实现了一种针对盲信号的MFI。文献[4]提出了一种K近邻（KNN）方法对调制格式进行自动分类。文献[5]提出使用随机森林（RF）方法执行MFI。上述2种方法在一定程度上满足了部分调制格式的识别。近年来，深度学习以其鲁棒性和强大的特征提取能力受到越来越多研究者的关注。考虑到载波相位偏移，SHI J等人[6]提出了一种正交频分复用（OFDM）系统中的自动调制识别方法。ZENG Y等人[7] 利用频谱图作为信号表示，提出了一种基于卷积神经网络（CNN）的通信系统无线电信号MFI框架。FAN X等人[8-10]采用基于CNN的多任务学习方法，通过CNN实现了光网络中MFI和光性能的同步监测。CHANG X等人[11]将长短期记忆（LSTM）网络用于相干光通信系统中的MFI，其中使用了4种具有不同数据速率的调制格式。KUMAR Y和QI P[12-13]提出了残差网络（ResNet）来对调制格式进行分类，通过引入ResNet模块，解决了大部分深度网络的退化问题。尽管上述方法在特定条件下能有效保证MFI的准确率，但在不增加计算复杂度的前提下，它难以涵盖更广泛的调制格式和信道损伤情况。这意味着MFI技术在这方面仍有待进一步优化。

     本文结合ResNet和Bottleneck Transformers（BT）进行MFI，提出一种基于ResNet和BT的MFI方法。

3 结束语

      本文提出了一种ResNet-BT模型，并对光网络中的6种调制格式进行了识别。该网络结构是一种新颖的神经网络结构，具有先进的特征提取功能。每个ResNet网络层通过适当地结合结构中的自注意力机制和跳跃连接来细化不同的功能。仿真结果表明：与其它方法相比，ResNet-BT模型计算复杂度低且准确率高，准确率达到了99.72%，展示了其未来在多种调制格式与宽范围下MFI应用的前景。在未来的工作中，考虑到CD和PMD的影响，可以对网络结构进行扩展和优化，以适应更多类型的调制格式和实现对光性能的更有效监测。