CN110460880A - 基于粒子群和神经网络的工业无线流媒体自适应传输方法 - Google Patents

Abstract

本发明公布了一种基于粒子群和神经网络的工业无线流媒体自适应传输方法。首先从云服务器数据库获得指定范围的历史数据，完成神经网络模型的训练，并实时监测无线信道的各种状态参数；然后由粒子群算法获得使视频体验质量最优的无线网络传输参数；其次利用已经训练完成的神经网络模型的映射功能预测出最优的***设置参数，并完成***的设置；最后获得实际数据并存储，并重新运用于神经网络的训练和矫正。本发明充分考虑传统的基于HTTP动态自适应视频DASH传输协议的基础上提出的，能够通过粒子群算法更快地完成参数寻优，且通过神经网络直接映射的方式取代传统的尝试探索的方式直接获得***设置参数，有助于***参数更准确的设置和视频更流畅的传输。

Description

基于粒子群和神经网络的工业无线流媒体自适应传输方法

技术领域

本发明涉及视频技术，具体地说是一种基于粒子群和神经网络的工业无线流媒体自适应传输方法。

背景技术

视频技术极大地改善了视频数据加载时长的问题，通过视频技术用户可以分段的获取较大的视频数据，同时无需过多的加载时长。传统的视频服务分为两大类：一类是采用实时流传输协议/实时传输协议(Real Time Streaming Protocol Real Time TransferProtocol，RTSP/RTP)的面向连接的实时视频技术；另一类则是采用超文本传输协议(HyperText Transfer Protocol HTTP)的无连接的顺序视频技术。针对无线网络和视频传输过程中存在的问题，各国学者提出了基于HTTP的动态自适应视频传输协议DASH(DynamicAdaptive Streaming over HTTP)，用以适应不稳定的网络环境，改善视频数据的用户体验，使视频数据尽可能的实现高码率、低波动、无中断的播放要求。

目前典型的基于HTTP的自适应视频技术主要包括：1)基于网络吞吐量的自适应传输方法。基于网络吞吐量的自适应算法主要是通过估计下一时刻的网络带宽决定客户端的申请码率，尽可能防止视频播放过程中的中断。2)基于缓存控制的自适应传输方法。基于缓存控制的自适应传输算法主要是通过改变服务器发送速率和客户端的媒体切换速率以保证客户端缓冲区的视频数据量尽可能的稳定，进而保证用户体验质量。

然而，上述方法多为传统的探索尝试的***设置方法，虽然能在一定条件下达到所需要的效果，但是依然存在参数选择不准确、估计误差大、计算资源消耗较大、视频体验质量不稳定等问题，而且传统的自适应视频传输方法一般难以直接获得最佳参数，需要多次尝试之后才能达到所需效果，调节周期较长，同时又由于此方法通常涉及到网络的跨层设计，以及适应各种特殊情况的动态应对策略，因此为了保证传输质量和对***稳定性和可靠性，需要更加简便且全面的自适应视频方法。

发明内容

针对智能自适应视频传输技术缺乏且传统的自适应视频技术存在参数选择不准确、估计误差大、计算资源消耗较大、视频体验质量不稳定等问题的现状，本发明提出了一种基于粒子群和神经网络的工业无线流媒体自适应传输方法，采用粒子群算法和神经网络结合的方法，实现视频体验质量最佳的自适应传输效果，其技术方案为：

一种基于粒子群和神经网络的工业无线流媒体自适应传输方法，包括以下步骤：

步骤一：从云服务器数据库获得指定范围的历史数据，完成神经网络模型的训练，并实时监测无线信道的各种状态参数，具体步骤如下：

1)连接云服务器并申请访问数据库；

2)根据计算精度要求获取m条历史数据(m为自然数)；

3)对所述m条历史数据进行删减处理，使得删减后的历史数据中的变量个数符合神经网络的输入变量维度和输出变量维度；

4)对删减之后的历史数据进行平滑处理，公式如下：

x＝a*mean_x+b*(x-mean_x)

其中，x表示每一个作为神经网络输入的变量，mean_x表示每个变量所获取数据的平均值，a、b为系数，不同***的a、b取值不同，但总满足{a+b＝1|a＞b,a＞0,b＞0}且a>b，根据***情况不同选择合适的a、b即可；

5)将平滑处理后的历史数据按照神经网络输入矩阵所需的顺序和维度组合成输入向量，并获得对应的输出向量，将输入向量和对应的输出向量输入神经网络获得神经网络矩阵，完成神经网络模型的训练，并通过通用的网络通信库twisted的库函数读取云服务器数据接收端口和指定***文件获取无线信道的各种网络状态参数；

步骤二：由粒子群算法获得使视频体验质量(Quality of Experience，QoE)最优的无线网络传输参数，使得下一时刻的视频帧率最大、波动最小、视频最流畅，具体步骤如下：

1)粒子群初始化，对粒子惯性权重w、学习因子c₁、c₂、粒子群数量population_size、维度dim、迭代次数max_steps、解空间范围x_bound、初始粒子群位置x、初始粒子速度v进行初始化；

2)设计适应度函数，所述适应度函数的计算公式为：

fitness＝a*Q_m-b*Q_s

其中，a、b表示影响因素系数，Q_m表示直接与平均帧率m_k呈对数相关关系，Q_s表示直接与实时网络吞吐量p_i的方差s_k呈对数相关关系，具体计算公式如下：

Q_m＝ln(m_k+ε)

其中，Q_m和Q_s呈负相关关系，Q_m越大同时Q_s越小，则说明视频平均帧率越大，视频越流畅，波动较小，视频用户体验质量越好，m_k表示当前时刻之前的N/2秒内每秒视频帧率f_i之和的平均数；σ_k表示当前时刻之前的N/2秒内的网络吞吐量的均方差；ε和表示与***相关的常值参数，不同的***参数不同，当计算时为了保证Q_m和Q_s在同一数量级，可使用ε和进行调节；N表示使用的数据条数，f_i表示每秒的视频帧率，s_k+1表示第k+1时刻网络吞吐量的方差，p_i表示第i时刻的网络吞吐量，表示前N+1条数据中的吞吐量的平均值；

3)更新速度和位置，直至迭代结束或满足最优位置的最小阈值，每次适应度函数计算完成后，都要进行比较以获得最优的粒子位置和对应的适应度值，并更新个体最优适应度值individual_best_fitness和全局最佳适应度值global_best_fitness，获得全局最佳适应度值所对应的x即为能使吞吐量最大、波动最小的网络状态参数；

步骤三：利用所述步骤一中已经训练完成的神经网络模型的映射功能预测出最优的***设置参数，并完成***的设置，具体步骤如下：

1)通过读取已经存储网络状态参数的云服务器数据库，获取粒子群算法输入端所需要的网络状态参数，并将所述网络状态参数通过引入***参数中的帧率和图像质量的变量值扩充为所需的神经网络矩阵的输入矩阵，所述的***参数中的帧率和图像质量的变量值可用前一时刻的历史数据补充；

2)将所述的步骤1)中的矩阵神经网络矩阵的输入神经网络，通过神经网络的映射关系，得到能使视频体验质量最高的***设置参数的预测值，并按照所述的预测值进行***参数设置；

步骤四：获得实际数据并存储，并重新运用于神经网络的训练和矫正，具体步骤如下：

1)通过通用的网络通信库twisted的库函数读取云服务器数据接收端口和指定***文件完成对***网络状态的持续监测，并获得最新的网络状态参数及相关***参数，并进行存储；

2)将所述的步骤1)中的最新的网络状态参数及上一时刻的视频帧率和图像质量参数按步骤一所述的具体步骤进行处理，并且按照每次以最新一条实际数据得到的输入向量替代时间最早的那条输入向量的规则输入神经网络，周期性地对神经网络进行校正。

本发明的有益效果是：

本发明提出的一种基于粒子群和神经网络的工业无线流媒体自适应传输方法，采用粒子群算法和神经网络结合的方法处理***的参数选择问题，使***选择参数更加准确，反应更加迅速，基于粒子群和神经网络的工业无线流媒体自适应传输方法能应对无线网络环境下多种突发的网络波动的复杂情况，使***更具有智能性，同时增加了视频播放的流畅性，实现了视频体验质量最佳的自适应传输效果。

附图说明

图1为本专利实施例中的基于粒子群和神经网络的工业无线流媒体自适应传输方法的流程图。

图2为本专利实施例中的基于粒子群和神经网络的工业无线流媒体自适应传输方法的原理图。

具体实施方式

下面是结合附图对本发明的技术方案进行详细说明。

如图1本专利实施例中的基于粒子群和神经网络的视频帧率自适应传输方法的流程图所示，一种基于粒子群和神经网络的视频帧率自适应传输方法包括以下步骤：

步骤一：从云服务器数据库获得指定范围的历史数据，完成神经网络模型的训练，并实时监测无线信道的各种状态参数，具体步骤如下：

1)连接云服务器并申请访问数据库；

2)根据计算精度要求获取m条历史数据(m为自然数)，本实施例中m的取值范围为500<m<1000；

3)对所述m条历史数据进行删减处理，使得删减后的历史数据中的变量个数符合神经网络的输入变量维度和输出变量维度；

4)对删减之后的历史数据进行平滑处理，公式如下：

x＝a*mean_x+b*(x-mean_x)

其中，x表示每一个作为神经网络输入的变量，mean_x表示每个变量所获取数据的平均值，a、b为系数，不同***的a、b取值不同，但总满足{a+b＝1|a＞b,a＞0,b＞0}且a>b，根据***情况不同选择合适的a、b即可；

5)将平滑处理后的历史数据按照神经网络输入矩阵所需的顺序和维度组合成输入向量，并获得对应的输出向量，将输入向量和对应的输出向量输入神经网络获得神经网络矩阵，完成神经网络模型的训练，并通过通用的网络通信库twisted的库函数读取云服务器数据接收端口和指定***文件获取无线信道的各种网络状态参数，其中网络训练的过程较为复杂且难以观察，其具体的过程如附图1所示，在经过预处理的数据进入神经网络输入层之后，数据在神经网络的隐含层进行权重计算，经过指定的所有隐含层计算之后，得到输出数据，将输出数据与期望数据进行误差计算，之后通过反向传递的方法使误差向梯度减小的方向进行，以此作为调整神经网络权重的依据，并在减小误差的同时更新神经网络权值矩阵，在计算过程中，当达到训练终止条件时训练结束，例如：误差小于设定误差、达到最大学习次数时，当未达到结束要求时返回数据预处理部分继续对进行计算。

步骤二：由粒子群算法获得使视频体验质量(Quality of Experience，QoE)最优的无线网络传输参数，使得下一时刻的视频帧率最大、波动最小、视频最流畅，具体步骤如下：

1)粒子群初始化，对粒子惯性权重w、学习因子c₁、c₂、粒子群数量population_size、维度dim、迭代次数max_steps、解空间范围x_bound、初始粒子群位置x、初始粒子速度v进行初始化，在本实施例中各参数初始化值为：粒子惯性权重w＝0.6、学习因子c₁＝2、c₂＝2、粒子群数量population_size＝100、维度dim＝2、迭代次数max_steps＝10000、解空间范围x_bound∈[-10,10000]、初始粒子群位置x随机的100组坐标、初始粒子速度v随机的100组值，如附图1所示，首先进行“初始化粒子速度、位置等”的操作，在进行粒子群寻优之前需要预先获得随机粒子及其相应的位置及以上相关参数信息，同时需要对***的相关变量进行初始化；

2)设计适应度函数，适应度函数是算法的重要部分，是影响算法优劣的重要指标，适应度函数的设计既要实现对视频质量的评价，同时又要考虑计算资源的占用率，因此需要又简单又能评价视频质量。本发明在设计适应度函数时直接从视频体验质量QoE出发，设计了如下的适应度函数：

fitness＝a*Q_m-b*Q_s

其中，a、b表示影响因素系数，Q_m表示直接与平均帧率m_k呈对数相关关系，Q_s表示直接与实时网络吞吐量p_i的方差s_k呈对数相关关系，具体计算公式如下：

Q_m＝ln(m_k+ε)

其中，Q_m和Q_s呈负相关关系，Q_m越大同时Q_s越小，则说明视频平均帧率越大，视频越流畅，波动较小，视频用户体验质量越好，m_k表示当前时刻之前的N/2秒内每秒视频帧率f_i之和的平均数；σ_k表示当前时刻之前的N/2秒内的网络吞吐量的均方差；ε和表示与***相关的常值参数，不同的***参数不同，当计算时为了保证Q_m和Q_s在同一数量级，可使用ε和进行调节；N表示使用的数据条数，f_i表示每秒的视频帧率，s_k+1表示第k+1时刻网络吞吐量的方差，p_i表示第i时刻的网络吞吐量，表示前N+1条数据中的吞吐量的平均值，如附图1所示，在进行初始化和适应度函数设计之后，在“计算适应度”环节通过数据和适应度函数对***进行量化评价；

3)更新速度和位置，直至迭代结束或满足最优位置的最小阈值，每次适应度函数计算完成后，都要进行比较以获得最优的粒子位置和对应的适应度值，并更新个体最优适应度值individual_best_fitness和全局最佳适应度值global_best_fitness，获得全局最佳适应度值所对应的x即为能使吞吐量最大、波动最小的网络状态参数，如附图1所示，在“获得个体最优”阶段，通过对每个粒子的适应度的计算，获得当前一组粒子中适应度最优的粒子个体，并在“获得全局最优”阶段使当前的最优个体与历史最优个体进行比较，以此获得全局最优个体；之后通过终止条件进行判断是否继续进行寻优操作，若寻优未结束，则如附图1中的“速度调整、位置调整”阶段进行每个粒子的速度和位置调整，以便获得更优的适应度。

在上述步骤二中，粒子群算法通过设计满足QoE指标要求的适应度函数，对视频的传输质量进行量化处理，在粒子群算法部分通过对帧率、网络吞吐量、丢包率等网络状态参数的加权等处理方式，在满足播放帧率最大和波动最小的要求下，获得最优的网络状态参数，如附图2本专利实施例中的基于粒子群和神经网络的工业无线流媒体自适应传输方法的原理图所示，粒子群算法将平均帧率、网络吞吐量方差等网络状态参数进行加权设计适应度函数，由粒子群算法获得最佳的目标网络状态参数，并以此作为下一阶段神经网络输入的部分原始数据。

步骤三：利用所述步骤一中已经训练完成的神经网络模型的映射功能预测出最优的***设置参数，并完成***的设置，具体步骤如下：

1)通过读取已经存储网络状态参数的云服务器数据库，获取粒子群算法输入端所需要的网络状态参数，如附图1所示，在“输出全局最优粒子及适应度”之后，获得的粒子的相关信息即为所需的目标网络状态信息，再通过实时的网络状态监测，对粒子群获得数据进行“调整矩阵维度、获得输入向量”的操作，以此获得可以供神经网络直接使用的输入矩阵；

2)将所述的步骤1)中的矩阵神经网络矩阵的输入神经网络，通过神经网络的映射关系，得到能使视频体验质量最高的***设置参数的预测值，并按照所述的预测值进行***参数设置，如附图1所示，目标网络状态参数在传入“神经网络”阶段之后，映射为“***设置参数”，所得到的参数就是能使下一时刻网络状态参数最好、用户体验质量最佳的***参数，以此“完成***设置”；

步骤四：获得实际数据并存储，并重新运用于神经网络的训练和矫正，具体步骤如下：

1)通过通用的网络通信库twisted的库函数读取云服务器数据接收端口和指定***文件完成对***网络状态的持续监测，并获得最新的网络状态参数及相关***参数，并进行存储，如附图1所示，“完成***设置”之后，***运行后会产生新的网络状态参数，对网络进行监测并实时获得“实际网络状态参数”；

2)将所述的步骤1)中的最新的网络状态参数及上一时刻的视频帧率和图像质量参数按步骤一所述的具体步骤进行处理，并且按照每次以最新一条实际数据得到的输入向量替代时间最早的那条输入向量的规则输入神经网络，周期性地对神经网络进行校正，如附图1所示，获得“实际网络状态参数”之后，再次通过“存储、删减、平滑”操作作为新的数据重新输入神经网络，进行网络校正以减小误差，此部分如附图2所示，在将最佳的网络状态参数通过神经网络映射为最佳***参数之后，通过得到的***参数对***进行设置后即可得到新的网络状态，网络状态参数作为神经网络的训练和校正数据进行存储和数据库的持久化操作。

Claims (1)

1.一种基于粒子群和神经网络的工业无线流媒体自适应传输方法，其特征在于，包括以下步骤：

步骤一：从云服务器数据库获得指定范围的历史数据，完成神经网络模型的训练，并实时监测无线信道的各种状态参数，具体步骤如下：

1)连接云服务器并申请访问数据库；

2)根据计算精度要求获取m条历史数据；

3)对所述m条历史数据进行删减处理，使得删减后的历史数据中的变量个数符合神经网络的输入变量维度和输出变量维度；

4)对删减之后的历史数据进行平滑处理，公式如下：

x＝a*mean_x+b*(x-mean_x)

其中，x表示每一个作为神经网络输入的变量，mean_x表示每个变量所获取数据的平均值，a、b为系数，不同***的a、b取值不同，但总满足{a+b＝1|a＞b,a＞0,b＞0}且a>b，根据***情况不同选择合适的a、b即可；

5)将平滑处理后的历史数据按照神经网络输入矩阵所需的顺序和维度组合成输入向量，并获得对应的输出向量，将输入向量和对应的输出向量输入神经网络获得神经网络矩阵，完成神经网络模型的训练，并通过通用的网络通信库twisted的库函数读取云服务器数据接收端口和指定***文件获取无线信道的各种网络状态参数；

步骤二：由粒子群算法获得使视频体验质量最优的无线网络传输参数，使得下一时刻的视频帧率最大、波动最小、视频最流畅，具体步骤如下：

1)粒子群初始化，对粒子惯性权重w、学习因子c₁、c₂、粒子群数量population_size、维度dim、迭代次数max_steps、解空间范围x_bound、初始粒子群位置x、初始粒子速度v进行初始化；

2)设计适应度函数，所述适应度函数的计算公式为：

fitness＝a*Q_m-b*Q_s

其中，a、b表示影响因素系数，Q_m表示直接与平均帧率m_k呈对数相关关系，Q_s表示直接与实时网络吞吐量p_i的方差s_k呈对数相关关系，具体计算公式如下：

Q_m＝ln(m_k+ε)

其中，Q_m和Q_s呈负相关关系，Q_m越大同时Q_s越小，则说明视频平均帧率越大，视频越流畅，波动较小，视频用户体验质量越好，m_k表示当前时刻之前的N/2秒内每秒视频帧率f_i之和的平均数；σ_k表示当前时刻之前的N/2秒内的网络吞吐量的均方差；ε和表示与***相关的常值参数，不同的***参数不同，当计算时为了保证Q_m和Q_s在同一数量级，可使用ε和进行调节；N表示使用的数据条数，f_i表示每秒的视频帧率，s_k+1表示第k+1时刻网络吞吐量的方差，p_i表示第i时刻的网络吞吐量，表示前N+1条数据中的吞吐量的平均值；

3)更新速度和位置，直至迭代结束或满足最优位置的最小阈值，每次适应度函数计算完成后，都要进行比较以获得最优的粒子位置和对应的适应度值，并更新个体最优适应度值individual_best_fitness和全局最佳适应度值global_best_fitness，获得全局最佳适应度值所对应的x即为能使吞吐量最大、波动最小的网络状态参数；

步骤三：利用所述步骤一中已经训练完成的神经网络模型的映射功能预测出最优的***设置参数，并完成***的设置，具体步骤如下：

1)通过读取已经存储网络状态参数的云服务器数据库，获取粒子群算法输入端所需要的网络状态参数，并将所述网络状态参数通过引入***参数中的帧率和图像质量的变量值扩充为所需的神经网络矩阵的输入矩阵，所述的***参数中的帧率和图像质量的变量值可用前一时刻的历史数据补充；

2)将所述的步骤1)中的矩阵神经网络矩阵的输入神经网络，通过神经网络的映射关系，得到能使视频体验质量最高的***设置参数的预测值，并按照所述的预测值进行***参数设置；

步骤四：获得实际数据并存储，并重新运用于神经网络的训练和矫正，具体步骤如下：

1)通过通用的网络通信库twisted的库函数读取云服务器数据接收端口和指定***文件完成对***网络状态的持续监测，并获得最新的网络状态参数及其他***参数，并进行存储；

2)将所述的步骤1)中的最新的网络状态参数及上一时刻的视频帧率和图像质量参数按步骤一所述的具体步骤进行处理，并且按照每次以最新一条实际数据得到的输入向量替代时间最早的那条输入向量的规则输入神经网络，周期性地对神经网络进行校正。