Multi-Objective Dataset Optimization for Learning-Based DC-Bias Prediction in DCO-OFDM

技术摘要：面向 DCO-OFDM 学习型直流偏置预测的多目标数据集优化

问题陈述
在利用直接直流光学正交频分复用（DCO-OFDM）的可视光通信（VLC）系统中，直流偏置（DC-bias）的选择是一个关键的设计参数。它直接影响相互依赖的性能指标：误码率（BER）、峰均功率比（PAPR）以及削波噪声（clipping noise）。尽管现有文献已广泛研究了针对特定传输实例的启发式算法或机器学习（ML）进行直流偏置优化，但在数据集层面仍存在显著空白。目前的方法通常依赖于穷举式的暴力模拟来生成训练数据，这往往导致样本冗余，且缺乏系统性的优化来捕捉多目标权衡关系。此外，现有的基于机器学习的研究侧重于改进预测模型，却未验证底层数据集本身是否已针对学习进行了最优结构化处理。目前缺乏一个系统的框架，用于生成、选择并验证一个能够反映信号统计特性与最优偏置值之间复杂关系的优化数据集，以实现泛化学习。

方法论
作者提出了一个系统性框架，将研究重点从实例级优化转向以数据为中心的建模。该方法通过四个主要阶段进行：

1. 原始数据集生成： 通过 MATLAB 中的穷举模拟构建一个高维原始数据集。该过程涉及生成 5,000 个采用 4-QAM 调制、符号长度为 2048 的 DCO-OFDM 符号。直流偏置值在 2 dB 到 12 dB 之间进行扫描（增量为 0.05 dB），信噪比（SNR）范围从 8 dB 到 25 dB。对于每种配置，提取统计特征（预偏置信号的最小值、最大值、均值和标准差）以及性能指标（平均 BER、PAPR 和削波噪声功率）。这产生了一个包含 5000 个符号 $\times$ 201 个偏置水平的原始数据集。

2. 多目标数据集优化： 将问题重新表述为从原始数据集中选择最合适样本的多目标优化任务。定义一个目标函数 $J$ 作为性能指标的加权和：$J = 0.5 \times \text{BER} + 0.3 \times \text{PAPR} + 0.2 \times \text{削波噪声}$。应用六种优化技术来为每个符号提取最优样本（行）：

   • 遗传算法 (GA)
   • 粒子群优化 (PSO)
   • 具有静态权重的互信息 (MI-static)
   • 具有动态权重的互信息 (MI-dynamic)
   • 帕累托优化 (Pareto Optimization)
   • 逼近理想解排序法 (TOPSIS)

3. 多阶段评估框架： 通过严格的多阶段过程对六个生成的候选数据集进行评估：

   • 统计分析： 检查所选最优偏置值随 SNR 变化的行为，以确保其适应性和物理意义。
   • 基于性能的评估： 比较不同优化器产生的 BER、PAPR 和削波噪声。
   • 综合评分： 使用基于归一化指标的统一得分来评估整体权衡平衡度。
   • 统计显著性检验： 应用非参数 Wilcoxon 符号秩检验来比较表现最佳方法的 BER 分布。

4. 机器学习验证： 作为最终验证准则，将生成的顶尖候选数据集用于训练七个回归模型（线性回归、决策树、随机森林、梯度提升树、XGBoost、SVR 和 kNN）。根据数据集支持精确预测建模的能力进行评估，衡量指标包括 $R^2$、RMSE 和 MAE。

核心贡献
本文概述了五项主要贡献：

1. 数据集层面的重新表述： 本工作将直流偏置问题从实例级优化重新表述为数据集级优化，旨在构建一个能够捕捉底层关系以实现更好机器学习泛化能力的结构化数据集。
2. 系统化数据生成： 创建了一个在多个 SNR 条件下扫描直流偏置的高维数据集，并提取了信号统计特征和性能指标。
3. 对比优化分析： 基于加权多目标函数，对六种不同的优化技术（GA、PSO、MI-static/dynamic、Pareto、TOPSIS）进行全面的对比，以提取最优样本。
4. 新颖的评估框架： 引入了一种多阶段评估策略，结合了统计分析、性能指标、综合评分和统计显著性检验，最终通过基于机器学习的验证来评估数据集对预测建模的适用性。
5. 为未来工作奠定基础： 建立了一个结构化的优化数据集，作为未来数据驱动的直流偏置估计和自适应通信系统的基准。

结果
评估得出以下发现：

• 优化器行为： GA、PSO 和基于 Pareto 的方法产生的偏置值在不同 SNR 水平下几乎保持不变，表明缺乏对信道变化的适应性。相比之下，MI-static、MI-dynamic 和 TOPSIS 展示了随 SNR 增加而单调递增的偏置趋势，这符合预期的系统行为。
• 性能权衡： 虽然 MI-dynamic 实现了较低的 PAPR 和削波噪声，但由于偏置过高，导致了较差的 BER 性能。GA 和 PSO 虽然最小化了单个指标（PAPR/噪声），但未能平衡权衡关系，导致 BER 表现不佳。
• 顶尖候选者： MI-static 和 TOPSIS 脱颖而出，成为最有效的平衡方法。统计显著性检验（Wilcoxon 符号秩检验）显示，MI-static 在低 SNR 区域表现更好，而 TOPSIS 在中高 SNR 区域表现更优。
• 机器学习验证： 当作为回归模型的训练数据时，基于 TOPSIS 的数据集始终优于 MI-static 数据集。在多种模型（如 XGBoost）中，TOPSIS 数据集实现了更高的 $R^2$ 值（约 0.9958 对比 0.9946）以及更低的误差指标（RMSE 和 MAE）。这表明，TOPSIS 选择的数据具有更优的结构一致性和可学习性。

意义与主张
作者声称，这项工作通过明确优化“数据集”而非仅仅是“模型”或“实例”，填补了文献中的关键空白。这项工作的意义在于证明了训练数据的质量和结构是成功实现基于学习的直流偏置预测的决定性因素。

论文得出结论：虽然 MI-static 和 TOPSIS 在通信性能方面表现相当，但 基于 TOPSIS 的数据集是学习型框架的最优选择。这一选择不仅取决于通信指标，更取决于该数据集通过多种回归模型展现出的卓越预测建模能力（即更高的准确度和更低的误差率）。所提出的框架为开发自适应、数据驱动的光学 OFDM 系统提供了基础，实现了从暴力模拟向智能化、优化化数据构建的跨越。作者指出，未来的工作将利用该选定的数据集来开发针对未知系统条件的实时预测模型。