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
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 Download PDFInfo
- Publication number
- CN110460880A CN110460880A CN201910733205.3A CN201910733205A CN110460880A CN 110460880 A CN110460880 A CN 110460880A CN 201910733205 A CN201910733205 A CN 201910733205A CN 110460880 A CN110460880 A CN 110460880A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- video
- parameter
- input
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
- H04N21/2402—Monitoring of the downstream path of the transmission network, e.g. bandwidth available
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
- H04N21/26208—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists the scheduling operation being performed under constraints
- H04N21/26216—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists the scheduling operation being performed under constraints involving the channel capacity, e.g. network bandwidth
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client
- H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
- H04N21/647—Control signaling between network components and server or clients; Network processes for video distribution between server and clients, e.g. controlling the quality of the video stream, by dropping packets, protecting content from unauthorised alteration within the network, monitoring of network load, bridging between two different networks, e.g. between IP and wireless
- H04N21/64723—Monitoring of network processes or resources, e.g. monitoring of network load
- H04N21/64738—Monitoring network characteristics, e.g. bandwidth, congestion level
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
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
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mk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(mk+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,mk表示当前时刻之前的N/2秒内每秒视频帧率fi之和的平均数;σk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,fi表示每秒的视频帧率,sk+1表示第k+1时刻网络吞吐量的方差,pi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mk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(mk+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,mk表示当前时刻之前的N/2秒内每秒视频帧率fi之和的平均数;σk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,fi表示每秒的视频帧率,sk+1表示第k+1时刻网络吞吐量的方差,pi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mk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(mk+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,mk表示当前时刻之前的N/2秒内每秒视频帧率fi之和的平均数;σk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,fi表示每秒的视频帧率,sk+1表示第k+1时刻网络吞吐量的方差,pi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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910733205.3A CN110460880B (zh) | 2019-08-09 | 2019-08-09 | 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 |
PCT/CN2019/101360 WO2021026944A1 (zh) | 2019-08-09 | 2019-08-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910733205.3A CN110460880B (zh) | 2019-08-09 | 2019-08-09 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110460880A true CN110460880A (zh) | 2019-11-15 |
CN110460880B CN110460880B (zh) | 2021-08-31 |
Family
ID=68485725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910733205.3A Active CN110460880B (zh) | 2019-08-09 | 2019-08-09 | 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 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110460880B (zh) |
WO (1) | WO2021026944A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710401A (zh) * | 2021-03-29 | 2021-04-27 | 国网江西省电力有限公司供电服务管理中心 | 一种电能表端子温度检测方法 |
CN113422751A (zh) * | 2020-08-27 | 2021-09-21 | 阿里巴巴集团控股有限公司 | 基于在线强化学习的流媒体处理方法、装置及电子设备 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515048B (zh) * | 2021-08-13 | 2023-04-07 | 华中科技大学 | 一种模糊自适应pso-elm声品质预测模型的建立方法 |
CN113642220B (zh) * | 2021-08-26 | 2023-09-22 | 江苏科技大学 | 一种基于rbf与mopso的船舶焊接工艺优化方法 |
CN115884195A (zh) * | 2021-09-28 | 2023-03-31 | 中兴通讯股份有限公司 | 模型训练方法、无线资源调度方法及其装置及电子设备 |
CN114553681B (zh) * | 2022-03-08 | 2024-02-02 | 中国人民解放军国防科技大学 | 设备状态异常检测方法、装置和计算机设备 |
CN114866481A (zh) * | 2022-04-29 | 2022-08-05 | 西安交通大学 | 空天地一体化网络的基于混沌动态拥塞预测的时变重路由方法和*** |
CN115473595B (zh) * | 2022-08-19 | 2024-04-02 | 三峡大学 | 一种变电站内无线感知设备丢包率的预测方法 |
CN117198418B (zh) * | 2023-11-07 | 2024-02-13 | 威海百合生物技术股份有限公司 | 一种多糖提取工艺参数优化方法及*** |
CN117724446B (zh) * | 2023-12-14 | 2024-07-05 | 广州智业节能科技有限公司 | 一种预警监控***、方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
CN107909008A (zh) * | 2017-10-29 | 2018-04-13 | 北京工业大学 | 基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法 |
CN108182447A (zh) * | 2017-12-14 | 2018-06-19 | 南京航空航天大学 | 一种基于深度学习的自适应粒子滤波目标跟踪方法 |
CN108901058A (zh) * | 2018-07-06 | 2018-11-27 | 北方工业大学 | 一种物联网节点接入通道优化选择方法 |
CN109120630A (zh) * | 2018-09-03 | 2019-01-01 | 上海海事大学 | 一种基于优化BP神经网络的SDN网络DDoS攻击检测方法 |
CN109118013A (zh) * | 2018-08-29 | 2019-01-01 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测*** |
US20190130188A1 (en) * | 2017-10-26 | 2019-05-02 | Qualcomm Incorporated | Object classification in a video analytics system |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102118803A (zh) * | 2011-04-14 | 2011-07-06 | 北京邮电大学 | 一种基于QoE预测的移动通信***视频跨层调度方法 |
CN102946613B (zh) * | 2012-10-10 | 2015-01-21 | 北京邮电大学 | 一种用于测量用户业务体验质量的方法 |
CN109120961B (zh) * | 2018-07-20 | 2020-11-03 | 南京邮电大学 | 基于PNN-PSO算法的IPTV不平衡数据集的QoE的预测方法 |
-
2019
- 2019-08-09 CN CN201910733205.3A patent/CN110460880B/zh active Active
- 2019-08-19 WO PCT/CN2019/101360 patent/WO2021026944A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
US20190130188A1 (en) * | 2017-10-26 | 2019-05-02 | Qualcomm Incorporated | Object classification in a video analytics system |
CN107909008A (zh) * | 2017-10-29 | 2018-04-13 | 北京工业大学 | 基于多通道卷积神经网络和粒子滤波的视频目标跟踪方法 |
CN108182447A (zh) * | 2017-12-14 | 2018-06-19 | 南京航空航天大学 | 一种基于深度学习的自适应粒子滤波目标跟踪方法 |
CN108901058A (zh) * | 2018-07-06 | 2018-11-27 | 北方工业大学 | 一种物联网节点接入通道优化选择方法 |
CN109118013A (zh) * | 2018-08-29 | 2019-01-01 | 黑龙江工业学院 | 一种基于神经网络的经营数据预测方法、可读存储介质和预测*** |
CN109120630A (zh) * | 2018-09-03 | 2019-01-01 | 上海海事大学 | 一种基于优化BP神经网络的SDN网络DDoS攻击检测方法 |
Non-Patent Citations (1)
Title |
---|
向涛,涂风华,廖晓峰: "基于神经网络和粒子群算法的MPEG视频传输控制", 《计算机科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113422751A (zh) * | 2020-08-27 | 2021-09-21 | 阿里巴巴集团控股有限公司 | 基于在线强化学习的流媒体处理方法、装置及电子设备 |
CN113422751B (zh) * | 2020-08-27 | 2023-12-05 | 阿里巴巴集团控股有限公司 | 基于在线强化学习的流媒体处理方法、装置及电子设备 |
CN112710401A (zh) * | 2021-03-29 | 2021-04-27 | 国网江西省电力有限公司供电服务管理中心 | 一种电能表端子温度检测方法 |
CN112710401B (zh) * | 2021-03-29 | 2021-08-24 | 国网江西省电力有限公司供电服务管理中心 | 一种电能表端子温度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110460880B (zh) | 2021-08-31 |
WO2021026944A1 (zh) | 2021-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110460880A (zh) | 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 | |
Lai et al. | Oort: Efficient federated learning via guided participant selection | |
Li et al. | Deep reinforcement learning for dynamic spectrum sensing and aggregation in multi-channel wireless networks | |
Guo et al. | Adaptive bitrate streaming in wireless networks with transcoding at network edge using deep reinforcement learning | |
CN111050330B (zh) | 移动网络自优化方法、***、终端及计算机可读存储介质 | |
WO2021012946A1 (zh) | 一种视频码率确定方法、装置、电子设备及存储介质 | |
CN113434212B (zh) | 基于元强化学习的缓存辅助任务协作卸载与资源分配方法 | |
CN112422644B (zh) | 计算任务卸载方法及***、电子设备和存储介质 | |
CN113938488A (zh) | 一种基于动静态加权轮询的负载均衡方法 | |
CN114500561B (zh) | 电力物联网网络资源分配决策方法、***、设备及介质 | |
CN114039870B (zh) | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 | |
CN110033081A (zh) | 一种确定学习率的方法和装置 | |
CN116233026A (zh) | 一种用于数据中心的智能管理方法及*** | |
CN111476510A (zh) | 一种风险用户识别的方法及***、存储介质、设备 | |
CN113839830B (zh) | 数据包多发参数的预测方法、装置与存储介质 | |
CN113271221B (zh) | 网络能力开放方法、***及电子设备 | |
Bhattacharyya et al. | QFlow: A learning approach to high QoE video streaming at the wireless edge | |
CN109039797A (zh) | 基于强化学习的大流检测方法 | |
CN115695390B (zh) | 一种基于移动边缘计算的矿山安全监控***海量视频数据自适应流方法 | |
WO2023142351A1 (zh) | 权重的调整方法和装置、存储介质及电子装置 | |
CN116302569A (zh) | 一种基于用户请求信息的资源分区智能化调度方法 | |
CN114401192B (zh) | 一种多sdn控制器协同训练方法 | |
CN115129888A (zh) | 一种基于网络边缘知识图谱的主动内容缓存方法 | |
Zhang et al. | Adaptive Frame Rate Optimization Based on Particle Swarm and Neural Network for Industrial Video Stream | |
CN117834643B (zh) | 一种面向工业物联网的深度神经网络协同推理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |