利用集成学习优化南非自由空间光链路的服务质量预测
机器学习
2024-11-12 v1 机器学习
信号处理
光学
摘要
光纤通信系统因其相较于铜线的诸多优势，应用预计将呈指数级增长。光网络的发展具有多项优势，如长距离传输、低功耗、高承载能力和高带宽等。这类网络带宽超越了包括铜缆和微波在内的传输方法。尽管有这些优势，自由空间光通信仍受到恶劣天气状况的严重影响，如雾、降水、暴风雪、烟尘、大气中的土壤和毛毛雨碎片，这些都会影响系统所提供的服务质量（QoS）。本文的主要目标是利用集成学习模型——随机森林、ADaBoost回归、Stacking回归、梯度提升回归和多层神经网络——来优化QoS。为实现这一目标，从南非气象服务档案中获取了2010年至2019年期间在四个不同地点（Polokwane、Kimberley、Bloemfontein和George）的气象数据、能见度、风速和海拔数据。我们利用收集和处理后的数据估算了数据速率、接收功率、雾致衰减、误码率和功率惩罚。各研究地点的模型RMSE和R²值分别为：Polokwane（0.0073和0.9951）、Kimberley（0.0065和0.9998）、Bloemfontein（0.0060和0.9941）和George（0.0032和0.9906）。结果表明，在传输建模中使用集成学习技术可以显著提升服务质量并满足客户服务水平协议，且集成方法成功高效地优化了信噪比，进而提升了接收端的服务质量。
引用
@article{arxiv.2411.06832,
title = {Optimized Quality of Service prediction in FSO Links over South Africa using Ensemble Learning},
author = {S. O. Adebusola and P. A. Owolawi and J. S. Ojo and P. S. Maswikaneng},
journal= {arXiv preprint arXiv:2411.06832},
year = {2024}
}