CN105592006B - 一种rohc压缩器的ir态回迁周期选择方法和装置 - Google Patents
一种rohc压缩器的ir态回迁周期选择方法和装置 Download PDFInfo
- Publication number
- CN105592006B CN105592006B CN201410568760.2A CN201410568760A CN105592006B CN 105592006 B CN105592006 B CN 105592006B CN 201410568760 A CN201410568760 A CN 201410568760A CN 105592006 B CN105592006 B CN 105592006B
- Authority
- CN
- China
- Prior art keywords
- state transition
- support vector
- vector machine
- channel quality
- transition period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000007704 transition Effects 0.000 title claims abstract description 143
- 238000010187 selection method Methods 0.000 title claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 17
- 230000006835 compression Effects 0.000 claims description 16
- 238000007906 compression Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0014—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the source coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0041—Arrangements at the transmitter end
- H04L1/0042—Encoding specially adapted to other signal generation operation, e.g. in order to reduce transmit distortions, jitter, or to improve signal shape
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
- H04L65/70—Media network packetisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/80—Responding to QoS
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/22—Parsing or analysis of headers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Computer Security & Cryptography (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种ROHC压缩器的IR态回迁周期选择方法，包括：获取当前信道质量参数，发送至训练好的支持向量机，利用所述支持向量机根据当前信道质量参数选择IR态回迁周期；按照所述支持向量机选择的IR态回迁周期调整所述ROHC压缩器的IR态回迁周期。本发明还同时公开了一种ROHC压缩器的IR态回迁周期选择装置。
Description
技术领域
本发明涉及鲁棒性头压缩(Robust Header Compression，ROHC)技术领域，尤其涉及一种ROHC压缩器的IR态回迁周期选择方法和装置。
背景技术
对于某些应用层业务，庞大的互联网协议(Internet Protocol，IP)报文头信息的开销非常大，比如IP电话(Voice over Internet Protocol，VoIP)业务，其净荷长度通常为15-20字节，而IP报文头信息却占了40字节；而某一相同数据流的报文头中往往包含了大量的冗余信息，ROHC技术即是为解决这一问题应运而生的。在ROHC中有三种工作模式，分别为U模式、O模式和R模式。当压缩器和对端的解压器之间不存在反向信道，或反向信道不可用时，即只存在单方向报文(从压缩器到解压器)，双方将工作在U模式。
工作在U模式的ROHC压缩器有三种状态，由低到高分别为：初始与更新(Initialization and Refresh，IR)态、第一级(First Order State，FO)态和第二级(Second Order State，SO)态。压缩器开始工作在最低的IR态下，然后逐步向高状态转换。当压缩器有足够的信心确定解压器有充分的上下文用来解压时，压缩器将保持工作在最高状态SO态。
IR态的引入主要有两个目的：一个是初始化压缩器和解压器的静态上下文，另一个是用来修复被破坏的静态上下文。在IR态下，压缩器发送IR包，其中包含：整个报文头(静态部分、动态部分)和一些额外的信息(例如：上下文ID号)等。压缩器将保持在IR态下，直到确信解压器正确收到了所有的静态上下文信息。
在U模式下，一旦解压器可能由于没有收到足够的信息而不能进行正确解压，将造成后续的报文缺少正确的上下文，会使得后续报文也随之解错。因此在没有反馈信道的情况下，压缩器必须周期性的回迁至IR态，通过IR包将完整的报文头信息发送给解压器，使解压器可以获得完整的上下文。
当前，RFC3095中明确规定了U模式下，压缩器必须周期性回迁至IR态，但没有明确给出IR态回迁周期。IR态的回迁周期的选择会影响两个通信***指标：压缩效率和丢包率。其中，压缩效率是指ROHC压缩头与原始报文头的比例关系，该指标可从侧面反映带宽利用率；而丢包率是衡量通信***传输结果的重要指标，丢包率越高表示通信***的质量越差。
当IR态回迁周期时间长度选择较小时，即压缩器较频繁的回迁到IR态，由于IR包发送了完整的原始报文头，因此压缩效率会降低，从而带宽利用率下降；但同时，由于较频繁的发送IR包，可以降低由于缺少正确的上下文而导致连续解错报文而导致丢包的概率，从而可降低丢包率。相应的，当IR态回迁周期时间长度选择较大时，即压缩器较少的回迁到IR态，则压缩效率会上升，从而带宽利用率也上升；但由于较少的发送IR包，一旦解压器解压失败后，解压器可能在出现连续解错较多的报文后才能等到IR包进行恢复，因此丢包率也随之升高。
显然，固定的IR态回迁周期不能根据信道质量动态的调整，因而不能兼顾通信***的压缩效率和丢包率这两个指标取得平衡。
发明内容
为解决现有存在的技术问题，本发明实施例期望提供一种ROHC压缩器的IR态回迁周期选择方法和***，能够根据信道质量动态的调整通信***的IR态回迁周期，以获得同时兼顾通信***压缩效率和丢包率的平衡。
本发明实施例的技术方案是这样实现的：
本发明实施例提供一种ROHC压缩器的IR态回迁周期选择方法，该方法包括：
获取当前信道质量参数，发送至训练好的支持向量机，利用所述支持向量机根据当前信道质量参数选择IR态回迁周期；
按照所述支持向量机选择的IR态回迁周期调整所述ROHC压缩器的IR态回迁周期。
上述方案中，在利用所述支持向量机根据当前信道质量参数选择IR态回迁周期之前，所述方法还包括：
获取样本集；
使用样本集训练所述支持向量机。
上述方案中，所述获取样本集包括：
获取样本信道质量参数；
计算所述样本信道质量参数对应的最优IR态回迁周期。
上述方案中，所述计算所述样本信道质量参数对应的最优IR态回迁周期包括：
计算目标IR态回迁周期集在信道质量为所述样本信道质量参数时，所对应的总增益集；
根据计算出的总增益集，选择所述样本信道质量参数对应的最优IR态回迁周期。
上述方案中，所述使用样本集训练所述支持向量机包括：
构造训练数据，训练能够在两个IR态回迁周期做选择的支持向量机；
构造判别函数，用构造出的训练数据确定该判别函数的参数，将所述两个IR态回迁周期所对应的两类模式正确的分开；
将所述支持向量机扩展为能够在N个IR态回迁周期做选择的支持向量机；
其中，N为大于2的整数。
本发明实施例还提供一种ROHC压缩器的IR态回迁周期选择装置，该装置包括：选择模块和调整模块；其中，
选择模块，用于获取当前信道质量参数，发送至训练好的支持向量机，利用所述支持向量机根据当前信道质量参数选择IR态回迁周期；
调整模块，按照所述支持向量机选择的IR态回迁周期调整所述ROHC压缩器的IR态回迁周期。
上述方案中，所述装置还包括支持向量机模块；所述支持向量机模块包括：
样本集获取单元，用于获取样本集；
训练单元，用于使用样本集训练所述支持向量机。
上述方案中，所述样本集获取单元包括：
参数获取子单元，用于获取样本信道质量参数；
计算子单元，用于计算所述样本信道质量参数对应的最优IR态回迁周期。
上述方案中，所述计算子单元包括：
总增益计算子单元，用于计算目标IR态回迁周期集在信道质量为所述样本信道质量参数时，所对应的总增益集；
选择子单元，用于根据计算出的总增益集，选择所述样本信道质量参数对应的最优IR态回迁周期。
上述方案中，所述训练单元包括：
数据构造子单元，用于构造训练数据，训练能够在两个IR态回迁周期做选择的支持向量机；
函数构造子单元，用于构造判别函数，用构造出的训练数据确定该判别函数的参数，将所述两个IR态回迁周期所对应的两类模式正确的分开；
扩展子单元，用于将所述支持向量机扩展为能够在N个IR态回迁周期做选择的支持向量机；
其中，N为大于2的整数。
本发明实施例所提供的ROHC压缩器的IR态回迁周期选择方法和装置，通过引入支持向量机，并以信道质量参数样本集和该参数样本集对应的最优IR态回迁周期训练支持向量机，进而可利用训练好的支持向量机为ROHC压缩器选择在当前信道质量下最优IR态回迁周期，该方法简单易行，能够在不同信道条件下自适应调整IR态回迁周期，最好地平衡压缩效率和丢包率这两个重要的通信***指标。
附图说明
图1为本发明实施例提供的ROHC压缩器IR态回迁周期选择方法的实现流程示意图；
图2为本发明实施例提供的确定两个IR态回迁周期更优值的支持向量机示意图；
图3为本发明实施例提供的一对一式确定多个IR态回迁周期中最优值的支持向量机原理图；
图4是本发明实施例提供的ROHC压缩器IR态回迁周期选择装置的组成结构示意图。
具体实施方式
为了更清楚地说明本发明实施例和技术方案，下面将结合附图及实施例对本发明的技术方案进行更详细的说明，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明的实施例，本领域普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中，为了使通信***的ROHC压缩器能根据信道质量选择最优IR态回迁周期，引入了支持向量机(support vector machines，SVM)，并以信道质量参数样本集和该参数样本集对应的最优IR态回迁周期训练支持向量机，进而可利用训练好的支持向量机为ROHC压缩器选择在当前信道质量下最优IR态回迁周期。支持向量机是建立在统计学***面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。理论上，支持向量机能够实现对线性可分数据的最优分类。
这里，最优IR态回迁周期是指使得通信***的压缩效率和丢包率这两个因素的总增益最大的IR态回迁周期。
显然，在一个实现ROHC的通信***中，可将支持向量机植入ROHC压缩器中，也可将支持向量机独立于ROHC压缩器之外。为方便描述，以下主要描述以将支持向量机植入ROHC压缩器中的实施例。
图1为本发明实施例提供的ROHC压缩器IR态回迁周期选择方法的实现流程示意图，如图1所示，该方法包括：
步骤101，获取当前信道质量参数，发送至训练好的支持向量机，利用所述支持向量机根据当前信道质量参数选择IR态回迁周期；
具体的，通信***中，基站侧与终端侧通过对空口进行测量获得当前的信道质量参数，进而ROHC压缩器可从基站***中获取当前信道质量参数，发送至已训练好的支持向量机；支持向量机根据接收到的当前信道质量参数，选择最优IR态回迁周期，将选择的结构返回给ROHC压缩器；其中信道质量参数可包括参考信号接收功率和信号与干扰加噪声比。
这里，训练好的支持向量机是指经过样本集训练的支持向量机，在步骤101之前，所述方法还包括：
获取样本集；
使用样本集训练所述支持向量机。
具体的，训练支持向量机的基础是获取样本集，在本发明实施例中，用于训练支持向量机的样本集中的样本包括两部分：样本信道质量参数和该信道质量参数对应的最优IR态回迁周期。这里，样本信道质量参数可包括：参考信号接收功率和信号与干扰加噪声比；其中，参考信号接收功率，记为Prsrp；和信号与干扰加噪声比，记为Pnoise，构成一组特征参数矢量x＝[Prsrp,Pnoise]。
一个样本中的样本信道质量参数可预先设定或网络管理员通过观察测试通信***得到，该样本信道质量参数所对应的最优IR态回迁周期需要计算。因此，获取样本集包括：
获取样本信道质量参数；
计算所述样本信道质量参数对应的最优IR态回迁周期。
进一步的，在确定了样本信道质量参数为特征参数矢量x＝[Prsrp,Pnoise]后，计算特征参数矢量x＝[Prsrp,Pnoise]对应的最优IR态回迁周期，具体包括以下步骤：
步骤11，计算目标IR态回迁周期集在信道质量为所述样本信道质量参数时，所对应的总增益集；即计算目标IR态回迁周期集在x＝[Prsrp,Pnoise]时所对应的总增益集；
具体的，可预先确定一个目标IR态回迁周期集，选定若干个目标IR态回迁周期值作为该目标IR态回迁周期集的元素，ROHC压缩器的IR态回迁周期即在这个目标IR态回迁周期集中选择。在一个实施例中，考虑到如果IR态回迁周期值过大，例如：IR态回迁周期值超过500，那么和IR态回迁周期值等于500时，对通信***的压缩效率和丢包率的影响就差别不大了，因此，可根据经验预先确定目标IR态回迁周期集D为：{dIR1＝10,dIR2＝20,dIR3＝50,dIR4＝100,dIR5＝200,dIR6＝500}，其中，dIRi表示一个IR态回迁周期值，例如：当dIR1＝10时，表示每10个数据包中含有一个IR包；则D的任一个元素dIRi在统计时间为T时，压缩效率与丢包率两个因素的总增益为：Ci(dIRi,T)＝Scomp(dIRi)*Sloss(T)；其中，i＝1,2,3,4,5,6，Scomp(dIRi)和Sloss(T)分别如下：
其中，
表示原始报文头部的平均长度；
表示非IR包的压缩头的平均长度；
和可由网络管理员通过观察统计得到；
其中，p(T)是统计时间T内丢包的总数；n是平均每秒传输的包数；p(T)和n可由网络管理员通过观察统计得到。
显然，Ci(dIRi,T)越大，表示更高的压缩效率和更低的丢包率，即更高的带宽利用率和更高的通信质量；Ci(dIRi,T)越小，表示更低的压缩效率和更高的丢包率，即更低的带宽利用率和更差的通信质量。
在一个实施例中，T＝20s，即统计时间为20秒，分别计算目标IR态回迁周期集中每个元素所对应的总增益Ci(dIRi,T)，组成目标IR态回迁周期集所对应的总增益集C(dIRi,T)。
步骤12，根据计算出的总增益集，选择所述样本信道质量参数对应的最优IR态回迁周期；即根据总增益集C(dIRi,T)，选择特征参数矢量x＝[Prsrp,Pnoise]对应的最优IR态回迁周期；
具体的，求取总增益集中的最大总增益C＝max(C(dIRi,T))，即：C＝max[C(dIR1,T),C(dIR2,T),C(dIR3,T),C(dIR4,T),C(dIR5,T),C(dIR6,T)] (3)；并获取该最大总增益对应的目标IR态回迁周期集中的元素dmax，该元素dmax即为特征参数矢量x＝[Prsrp,Pnoise]所对应的最优IR态回迁周期。
可利用上述x＝[Prsrp,Pnoise]和它对应的最优IR态回迁周期dmax组成一个样本，以此类推，设定若干个不同的信道质量参数，计算它们分别对应的最优IR态回迁周期，即获取多个样本，组成样本集，则进一步的，使用样本集训练支持向量机的具体方法包括以下步骤：
步骤A，构造训练数据，以此来训练可在两个IR态回迁周期中选择更优的支持向量机；
具体的，选定两个IR态回迁周期，针对这两个IR态回迁周期构造一组训练数据，即
(x1,y1),...,(xl,yl),xi∈Rn,yi∈{+1,-1}，i＝1,2,...,l (4)
其中，xi＝[Prsrp,Pnoise]为样本信道质量参数所对应的特征参数矢量；yi为针对选定的两个IR态回迁周期的索引，l为构造的训练数据的总数。当xi的更优IR态回迁周期是第一个选定的IR态回迁周期时，标记为yi＝1，否则标记为yi＝-1。
步骤B，构造一个判别函数，用步骤A构造出的训练数据确定该判别函数的参数，将两类模式尽可能正确地分开；
具体的，将通信***实际的信道质量参数所对应的特征参数矢量x作为该判别函数的输入，利用该判别函数，为x在步骤A中选定的两个IR态回迁周期中选择更优的IR态回迁周期，判别函数通式为：
将这个判别函数通式转化为一个典型的二次规划(QP)问题，其约束条件为：
yi(w·x-b')+ξ≥1,ξ≥0,i＝1,2,...,l (6)
其中，w为分类面的权系数向量；b'为分类域值；c>0是自定义惩罚系数；ξ可以看作训练样本关于分离超平面的偏差，当训练数据线性可分时，ξ＝0，当训练数据线性不可分或事先不知道是否线性可分时，ξ>0。
利用标准的拉格朗日乘子法求解上述判别函别，得到最终的分类函数：
其中，ai为拉格朗日乘子；b'为分类域值。对于非线性的情况，引入分离曲面，根据泛函理论，在满足Mercer条件下，定义适当的核函数k(xi,x)来实现非线性映射，如图2所示，通过这个非线性映射φ(x):Rn→F将输入空间Rn映射到高维内积空间F，然后在F中构造最优超平面，用线性分类器完成分类。引入核函数后公式(7)变为：
其中，K(xi,x)＝φ(xi)·φ(x)为满足Mercer条件的核函数。通过引入核函数构造出这一分类函数，完成对支持向量机的初步构造。
步骤C，将所述支持向量机扩展为可在N个IR态回迁周期做选择的支持向量机；其中，N为大于2的整数。
以上初步构造的支持向量机只能完成在给定的两个IR回迁周期中的寻找相对更优的一个，对N个给定的IR态回迁周期中寻找最优值，可在步骤B的基础上采用一对一的方法，如图3所示：设共有N个给定的IR态回迁周期，分别选取2个不同的IR态回迁周期构成一个支持向量机子分类器，这样共需构造1/2*N*(N-1)个支持向量机子分类器。
对于N个给定的IR态回迁周期中的任意两个回迁周期i(i＝1,2,...,N,i≠j)和回迁周期j(j＝1,2,...,N,j≠i)，构造回迁周期i和回迁周期j的支持向量机子分类器的具体方法为：
按照步骤A的方法构造训练数据；即：
在前述获取到的用于训练支持向量机的样本集中，选取属于回迁周期i和回迁周期j的样本作为训练样本数据，并将属于回迁周期i的样本对应的索引标记为+1，将属于回迁周期j的样本对应的索引标记为-1；
按照步骤B的方法构造判别函数，该判别函数即为回迁周期i和回迁周期j的支持向量机子分类器。
当构造完成N个IR态回迁周期中任意两个回迁周期i和回迁周期j的支持向量机子分类器后，即完成了将所述支持向量机扩展为可在N个IR态回迁周期做选择的支持向量机的工作。
在发明实施例中，上述N＝6，目标IR态回迁周期集为：{dIR1＝10,dIR2＝20,dIR3＝50,dIR4＝100,dIR5＝200,dIR6＝500}，其中，dIRi表示一个IR态回迁周期值，例如：当dIR1＝10时，表示每10个数据包中含有一个IR包。
按照以上方法训练好支持向量机后，即可按照步骤101所述利用训练好的支持向量机根据当前信道质量参数选择IR态回迁周期。
具体的，输入代表当前无线信道条件的特征参数矢量xi＝[Prsrpi,Pnoisei]，利用这个矢量对1/2*N*(N-1)个支持向量机子分类器分别进行步骤B中的两个IR态回迁周期的更优选择，并累计各回迁周期的得分，选择得分最高者所对应的IR态回迁周期为测试数据的最优IR回迁周期，
步骤102，按照所述支持向量机选择的IR态回迁周期调整所述ROHC压缩器的IR态回迁周期。
具体的，ROHC压缩器将IR态回迁周期调整为支持向量机选择的IR态回迁周期值，从而可完成在任何信道质量条件下的IR态回迁周期自适应改变。
使用上述实施例提供的ROHC压缩器的IR态回迁周期选择方法，通过引入支持向量机，并以信道质量参数样本集和该参数样本集对应的最优IR态回迁周期训练支持向量机，进而可利用训练好的支持向量机为ROHC压缩器选择在当前信道质量下最优IR态回迁周期，该方法简单易行，能够在不同信道条件下自适应调整IR态回迁周期，最好地平衡压缩效率和丢包率这两个重要的通信***指标。
图4是本发明实施例提供的ROHC压缩器IR态回迁周期选择装置的组成结构示意图，如图4所示，该IR态回迁周期选择装置包括：选择模块201和调整模块202；其中，
选择模块201，用于获取当前信道质量参数，发送至训练好的支持向量机，利用所述支持向量机根据当前信道质量参数选择IR态回迁周期；
调整模块202，按照所述支持向量机选择的IR态回迁周期调整所述ROHC压缩器的IR态回迁周期。
进一步的，上述IR态回迁周期选择装置还包括支持向量机模块；所述支持向量机模块包括：
样本集获取单元，用于获取样本集；
训练单元，用于使用样本集训练所述支持向量机。
进一步的，上述IR态回迁周期选择装置中，所述样本集获取单元包括：
参数获取子单元，用于获取样本信道质量参数；
计算子单元，用于计算所述样本信道质量参数对应的最优IR态回迁周期。
进一步的，上述IR态回迁周期选择装置中，所述计算子单元包括：
总增益计算子单元，用于计算目标IR态回迁周期集在信道质量为所述样本信道质量参数时，所对应的总增益集；
选择子单元，用于根据计算出的总增益集，选择所述样本信道质量参数对应的最优IR态回迁周期。
进一步的，上述IR态回迁周期选择装置中，所述训练单元包括：
数据构造子单元，用于构造训练数据，训练能够在两个IR态回迁周期做选择的支持向量机；
函数构造子单元，用于构造判别函数，用构造出的训练数据确定该判别函数的参数，将所述两个IR态回迁周期所对应的两类模式正确的分开；
扩展子单元，用于将所述支持向量机扩展为能够在N个IR态回迁周期做选择的支持向量机；
其中，N为大于2的整数。
上述各个模块及各个单元在实际应用中，均可由位于ROHC压缩器中的中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (10)
1.一种ROHC压缩器的IR态回迁周期选择方法，其特征在于，所述方法包括：
获取当前信道质量参数，发送至训练好的支持向量机，利用所述支持向量机根据当前信道质量参数选择IR态回迁周期；
按照所述支持向量机选择的IR态回迁周期调整所述ROHC压缩器的IR态回迁周期。
2.根据权利要求1所述的IR态回迁周期选择方法，其特征在于，在利用所述支持向量机根据当前信道质量参数选择IR态回迁周期之前，所述方法还包括：
获取样本集；
使用样本集训练所述支持向量机。
3.根据权利要求2所述的IR态回迁周期选择方法，其特征在于，所述获取样本集包括：
获取样本信道质量参数；
计算所述样本信道质量参数对应的最优IR态回迁周期；
所述最优IR态回迁周期为使得通信***的压缩效率和丢包率这两个因素的总增益最大的IR态回迁周期。
4.根据权利要求3所述的IR态回迁周期选择方法，其特征在于，所述计算所述样本信道质量参数对应的最优IR态回迁周期包括：
计算目标IR态回迁周期集在信道质量为所述样本信道质量参数时，所对应的总增益集；
根据计算出的总增益集，选择所述样本信道质量参数对应的最优IR态回迁周期。
5.根据权利要求2所述的IR态回迁周期选择方法，其特征在于，所述使用样本集训练所述支持向量机包括：
构造训练数据，训练能够在两个IR态回迁周期做选择的支持向量机；
构造判别函数，用构造出的训练数据确定该判别函数的参数，将所述两个IR态回迁周期所对应的两类模式正确的分开；
将所述支持向量机扩展为能够在N个IR态回迁周期做选择的支持向量机；
其中，N为大于2的整数。
6.一种ROHC压缩器的IR态回迁周期选择装置，其特征在于，所述装置包括：选择模块和调整模块；其中，
选择模块，用于获取当前信道质量参数，发送至训练好的支持向量机，利用所述支持向量机根据当前信道质量参数选择IR态回迁周期；
调整模块，按照所述支持向量机选择的IR态回迁周期调整所述ROHC压缩器的IR态回迁周期。
7.根据权利要求6所述的IR态回迁周期选择装置，其特征在于，所述装置还包括支持向量机模块；所述支持向量机模块包括：
样本集获取单元，用于获取样本集；
训练单元，用于使用样本集训练所述支持向量机。
8.根据权利要求7所述的IR态回迁周期选择装置，其特征在于，所述样本集获取单元包括：
参数获取子单元，用于获取样本信道质量参数；
计算子单元，用于计算所述样本信道质量参数对应的最优IR态回迁周期；
所述最优IR态回迁周期为使得通信***的压缩效率和丢包率这两个因素的总增益最大的IR态回迁周期。
9.根据权利要求8所述的IR态回迁周期选择装置，其特征在于，所述计算子单元包括：
总增益计算子单元，用于计算目标IR态回迁周期集在信道质量为所述样本信道质量参数时，所对应的总增益集；
选择子单元，用于根据计算出的总增益集，选择所述样本信道质量参数对应的最优IR态回迁周期。
10.根据权利要求7所述的IR态回迁周期选择装置，其特征在于，所述训练单元包括：
数据构造子单元，用于构造训练数据，训练能够在两个IR态回迁周期做选择的支持向量机；
函数构造子单元，用于构造判别函数，用构造出的训练数据确定该判别函数的参数，将所述两个IR态回迁周期所对应的两类模式正确的分开；
扩展子单元，用于将所述支持向量机扩展为能够在N个IR态回迁周期做选择的支持向量机；
其中，N为大于2的整数。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410568760.2A CN105592006B (zh) | 2014-10-22 | 2014-10-22 | 一种rohc压缩器的ir态回迁周期选择方法和装置 |
| EP15852434.8A EP3211850B1 (en) | 2014-10-22 | 2015-02-13 | Ir state return cycle selection method and device for rohc compressor, and storage medium |
| PCT/CN2015/073058 WO2016061964A1 (zh) | 2014-10-22 | 2015-02-13 | Rohc压缩器的ir态回迁周期选择方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410568760.2A CN105592006B (zh) | 2014-10-22 | 2014-10-22 | 一种rohc压缩器的ir态回迁周期选择方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105592006A CN105592006A (zh) | 2016-05-18 |
| CN105592006B true CN105592006B (zh) | 2020-01-07 |
Family
ID=55760146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410568760.2A Expired - Fee Related CN105592006B (zh) | 2014-10-22 | 2014-10-22 | 一种rohc压缩器的ir态回迁周期选择方法和装置 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3211850B1 (zh) |
| CN (1) | CN105592006B (zh) |
| WO (1) | WO2016061964A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110290480B (zh) * | 2018-03-19 | 2021-12-28 | 成都鼎桥通信技术有限公司 | 群组呼叫方法、通信装置及存储介质 |
| CN111092853B (zh) * | 2019-10-22 | 2020-10-27 | 翱捷智能科技(上海)有限公司 | 一种rohc压缩器及其压缩状态调整方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1996941A (zh) * | 2006-06-30 | 2007-07-11 | 华为技术有限公司 | 一种鲁棒性头部压缩u模式出错时的处理方法 |
| CN101069401A (zh) * | 2004-11-15 | 2007-11-07 | 艾利森电话股份有限公司 | 利用取决于媒体特性的上下文信息的传输的标题压缩的方法和设备 |
| CN101137089A (zh) * | 2007-08-16 | 2008-03-05 | 中兴通讯股份有限公司 | 一种稳健头标压缩过程中设置时间间隔值的方法及压缩器 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7822067B2 (en) * | 2003-08-08 | 2010-10-26 | Qualcomm Incorporated | Header compression enhancement for broadcast/multicast services |
-
2014
- 2014-10-22 CN CN201410568760.2A patent/CN105592006B/zh not_active Expired - Fee Related
-
2015
- 2015-02-13 WO PCT/CN2015/073058 patent/WO2016061964A1/zh active Application Filing
- 2015-02-13 EP EP15852434.8A patent/EP3211850B1/en not_active Not-in-force
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101069401A (zh) * | 2004-11-15 | 2007-11-07 | 艾利森电话股份有限公司 | 利用取决于媒体特性的上下文信息的传输的标题压缩的方法和设备 |
| CN1996941A (zh) * | 2006-06-30 | 2007-07-11 | 华为技术有限公司 | 一种鲁棒性头部压缩u模式出错时的处理方法 |
| CN101137089A (zh) * | 2007-08-16 | 2008-03-05 | 中兴通讯股份有限公司 | 一种稳健头标压缩过程中设置时间间隔值的方法及压缩器 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3211850A4 (en) | 2017-10-25 |
| EP3211850A1 (en) | 2017-08-30 |
| WO2016061964A1 (zh) | 2016-04-28 |
| CN105592006A (zh) | 2016-05-18 |
| EP3211850B1 (en) | 2019-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230019669A1 (en) | Systems and methods for enhanced feedback for cascaded federated machine learning | |
| Ahn et al. | Wireless federated distillation for distributed edge learning with heterogeneous data | |
| Qin et al. | Federated learning and wireless communications | |
| Wan et al. | Reinforcement learning based mobile offloading for cloud-based malware detection | |
| Si et al. | A novel and efficient vector quantization based CPRI compression algorithm | |
| CN112911608B (zh) | 一种面向边缘智能网络的大规模接入方法 | |
| EP3542363B1 (en) | Mixture model based soft-clipping detection | |
| CN106452972B (zh) | 一种数据包延迟时间的获得方法及设备 | |
| CN105592006B (zh) | 一种rohc压缩器的ir态回迁周期选择方法和装置 | |
| US8326781B2 (en) | Method for the compressed transmission of data packet header fields in a packet-oriented data stream, method for compressing data packet header fields in a packet-oriented data stream, method for decompressing data packet header fields in a packet-oriented data stream, compression/decompression system, compression apparatus and decompression apparatus | |
| CN114219354A (zh) | 一种基于联邦学习资源分配优化方法及*** | |
| CN113497647A (zh) | 由通信网络中的电子装置执行的方法和电子装置 | |
| Gündüz et al. | Timely and massive communication in 6G: Pragmatics, learning, and inference | |
| CN109618311B (zh) | 基于m2m通信频谱共享与共存的盲检测算法 | |
| Khan et al. | Deep compression for efficient and accelerated over-the-air federated learning | |
| Zhang et al. | Towards joint loss and bitrate adaptation in realtime video streaming | |
| US11983246B2 (en) | Data analysis system, learning device, method, and program | |
| Liu et al. | Using imperfect transmission in mec offloading to improve service reliability of time-critical computer vision applications | |
| Grassucci et al. | Enhancing Semantic Communication with Deep Generative Models--An ICASSP Special Session Overview | |
| CN110633798A (zh) | 一种分布式训练中参数更新方法及装置 | |
| WO2022037390A1 (zh) | 一种数据传输方法及装置 | |
| CN110401604A (zh) | 一种信息传输方法、装置及计算机可读存储介质 | |
| EP3847771A1 (en) | Acqi decoding confidence detection | |
| WO2016154821A1 (zh) | 一种数据的处理方法及装置 | |
| Cavagna et al. | Semantic Communication Enabling Robust Edge Intelligence for Time-Critical IoT Applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200107 Termination date: 20211022 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |