王家馨，侯韶华

（南京邮电大学，江苏 南京 210023）

0 引言

近年来，相干光传输技术取得较大进展，通过对相互关联参数（比如，调制格式，码元速率等）的微调，使得大量的光纤链路可行方案成为可能。在具体的链路规划部署之前，评估光纤链路的传输质量是极其重要的一步[1]。

传统的光路传输质量评估使用复杂分析模型和近似公式[2]。前者能够非常精确地评估光路的传输质量，但其计算量很大，不能得到推广。后者因为计算速度快，模型简单，被广泛采用，但引入了较多链路冗余，造成资源浪费[3]。

机器学习凭借能够解决耗时复杂的非线性分类或回归问题，广泛应用于光网络和光通信的各个方面[4]。机器学习利用已经部署光路的历史测量数据评估光路的传输质量，避免了之前两种传统方法的缺点，能得到传输质量高精度评估结果[1,5]。目前，许多评估光路传输质量的方法基于二分类器，如随机森林（RF），K近邻（KNN），支持向量机（SVM）三种分类器对光路传输质量进行二分类，SVM获得最高0.9915分类准确度[6]；KNN，SVM，人工神经网络（ANN），逻辑回归算法（LR）分类器对光路的剩余冗余进行二分类,通过比较准确率，F1分数，得到ANN是获得最佳泛化能力的模型，两个指标分数均达到0.99以上[7]。除了经典的机器学习算法，在机器学习中，集成学习也是研究的热点。集成学习利用一定的规则组合不同的学习器构建具有很强的鲁棒性和泛化能力的集成模型，具备高精度评估光路传输质量的潜力。本文提出基于不同集成学习算法的三分类器。……