用于预测自由空间光通信系统质量因子和接收功率的机器学习模型分析

《Photonics》：Analysis of Machine Learning Models for Predicting the Quality Factor and Received Power in Free Space Optical Communication Systems

　　

本研究探讨了机器学习算法的应用，通过从关键系统参数预测质量因子来增强自由空间光通信性能。自由空间光通信技术已发展成为5G、超5G（B5G）及6G传输网络中前传链路的一种极具前景的解决方案。然而，FSO通信链路的性能受到天气条件、衰减和大气湍流等环境挑战的限制，这些因素会降低信号质量并影响接收端的QF。使用通过OptiSystem仿真分析收集的数据，研究人员训练了多种机器学习算法，以便通过准确预测QF来分析该系统的性能。分析表明，接收功率是反映接收信号整体QF的重要参数。此外，研究结果表明，随机森林和梯度提升等基于树的方法的预测准确率高达97%以上，且其性能依赖于信道条件和预测参数类型。

随着互联网流量的呈指数级增长以及海量手持设备的普及，5G及下一代移动通信网络的设计重心转向了增强型移动宽带通信、海量机器类通信和超可靠低延迟通信。为了应对这些高带宽、低延迟需求，网络架构从传统的分布式无线接入网（D-RAN）演进为集中式无线接入网（C-RAN），并在向6G演进中进一步发展为虚拟化无线接入网和开放式无线接入网架构。在这些架构中，基带处理单元（BBU）被集中化为池，通过前传链路连接至分布式的无线单元（RU）。然而，随着功能切分向底层协议栈深入，前传和中传链路对高速数据传输的需求急剧增加。传统的微波和毫米波链路在容量上受限，而光纤技术部署成本高昂。自由空间光通信利用大气传输调制光束，凭借无需频谱许可和低部署成本的优势，成为5G及未来网络前传链路的可行替代方案。尽管如此，FSO技术极易受雾、雨、雪及大气湍流等环境因素影响，导致信号衰减、信噪比（SNR）下降和误码率（BER）上升。因此，亟需一种能够实时监测信道状态并动态调整传输参数的方法来优化系统性能。在此背景下，研究人员开展了将机器学习（ML）应用于FSO系统性能预测的研究。该研究旨在通过数据驱动模型预测接收端质量因子（QF），以实现链路的动态优化。研究得出结论，集成学习算法在预测QF方面表现卓越，并揭示了接收功率是决定QF的最关键因素。这项研究对于提升未来高速通信网络中前传链路的可靠性和自适应能力具有重要意义。该论文发表在《Photonics》期刊上。

在研究的关键技术方法方面，研究人员基于OptiSystem光学仿真平台搭建了一个面向5G前传应用的多用户FSO无源光网络（PON）仿真模型。该模型采用1550nm工作波长和10 Gbps数据率，利用伪随机比特序列（PRBS）、马赫-曾德尔调制器（MZM）和掺铒光纤放大器（EDFA）等组件生成数据。信道建模采用了能够覆盖弱到强湍流区域的Gamma-Gamma模型。在数据处理阶段，研究人员采用随机森林和Lasso回归构成的两步特征选择方法提取关键参数。随后，利用Python环境下的scikit-learn库，分别实现了线性回归、决策树、随机森林和梯度提升四种机器学习算法，并使用决定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）等指标评估模型性能。实验所需的1120个样本均来源于上述仿真环境的参数扫描。

在研究结果方面，论文分为以下几个部分进行阐述：

2. 仿真设置与数据收集
通过在OptiSystem中构建包含发射机、EDFA、空气信道和接收机的端到端FSO-PON仿真系统，研究人员在不同的路径损耗、发射功率、天线孔径和数据速率下运行多轮仿真，收集了接收端PIN光电二极管前的接收功率及其对应的QF值。

3. 仿真参数与信道模型
为确保仿真的真实性，系统参数严格遵循现实FSO部署场景，选取了1550nm波长以降低环境吸收。信道采用Gamma-Gamma模型以模拟中到强湍流环境，该模型通过小尺度和大尺度的折射率结构参数来计算归一化光强分布。研究还纳入了不同天气条件下的信道衰减系数，以全面评估大气环境对信号的影响。

4. 特征提取
为了识别影响QF的关键因素，研究人员利用随机森林进行特征重要性分析。结果表明，接收端的接收功率是影响QF的最核心特征。此外，数据率和接收放大器增益也对QF有显著贡献。随后通过Lasso回归分析发现，FSO链路长度和信道衰减对接收功率产生最显著的负面影响。

5. 数据集特征
研究生成的仿真数据集包含1120个样本和11个特征，涵盖了晴空、雾、雨等多种大气条件。数据集按80:20的比例划分为训练集和测试集，未采用过采样方法以保证数据分布的客观性。采用5折交叉验证确保了模型未出现过拟合。

6. 模型实施与分析
研究人员对比了四种机器学习算法在预测QF方面的表现。线性回归的预测值较为分散，而决策树、随机森林和梯度提升的预测结果高度贴合理想45度线。性能评估显示，这些基于树的集成模型的R²值接近1.0，展现出处理FSO系统中复杂非线性关系的强大能力，而线性回归由于模型局限表现欠佳。

7. 模型可解释性
对表现最优的梯度提升模型进行特征重要性分析，进一步证实了接收功率、FSO链路长度和信道衰减是预测QF的前三大主导因素。这一结果与随机森林特征选择阶段的发现一致。

在研究讨论与结论部分，论文总结了该研究的核心发现与局限性。研究结果表明，通过集成机器学习算法预测接收功率和QF的准确率可达97%至98%，其中随机森林和梯度提升算法表现最优。这证实了集成技术在处理FSO信道复杂非线性特征方面具有显著优势。数据特征分析清晰地揭示了接收功率作为连接可测量物理层参量与难以直接观测的QF之间的桥梁作用。该研究也存在一定局限性：首先，数据高度依赖OptiSystem仿真平台，缺乏真实物理环境的实验验证；其次，研究仅评估了Gamma-Gamma单一信道模型，未考虑环境条件的时变特征；此外，诸如湍流相干时间、指向对准误差及设备非线性等已知独立影响QF的因素尚未纳入当前特征空间。未来的研究方向包括结合真实FSO传感器数据验证现有模型，引入长短期记忆网络（LSTM）等时序网络捕捉信道的时间依赖特性，并将模型扩展至热带、沙漠等更复杂的极端环境，以全面提升模型在实际网络部署中的适用性与鲁棒性。