[發明專利]基于粒子群和神經網絡的工業無線流媒體自適應傳輸方法

有效

• 申請號: 201910733205.3
• 申請日: 2019-08-09
• 公開（公告）號: CN110460880B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 張曉玲;李夢豪;丁進良;柴天佑
• 申請（專利權）人: 東北大學
• 主分類號: H04N21/24
• 分類號: H04N21/24;H04N21/647;H04N21/262;G06N3/00;G06N3/04
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李在川

1.一種基于粒子群和神經網絡的工業無線流媒體自適應傳輸方法，其特征在于，包括以下步驟：

步驟一：從云服務器數據庫獲得指定范圍的歷史數據，完成神經網絡模型的訓練，并實時監測無線信道的各種狀態參數，具體步驟如下：

1)連接云服務器并申請訪問數據庫；

2)根據計算精度要求獲取m條歷史數據；

3)對所述m條歷史數據進行刪減處理，使得刪減后的歷史數據中的變量個數符合神經網絡的輸入變量維度和輸出變量維度；

4)對刪減之后的歷史數據進行平滑處理，公式如下：

X＝a*mean_x+b*(x-mean_x)

其中，x表示每一個作為神經網絡輸入的變量，X表示每一個作為神經網絡輸入的變量經過平滑處理后的變量，mean_x表示每個變量所獲取數據的平均值，a、b為系數，不同系統的a、b取值不同，但總滿足{a+b＝1|ab,a0,b0}且ab，根據系統情況不同選擇合適的a、b即可；

5)將平滑處理后的歷史數據按照神經網絡輸入矩陣所需的順序和維度組合成輸入向量，并獲得對應的輸出向量，將輸入向量和對應的輸出向量輸入神經網絡獲得神經網絡矩陣，完成神經網絡模型的訓練，并通過通用的網絡通信庫twisted的庫函數讀取云服務器數據接收端口和指定系統文件獲取無線信道的各種網絡狀態參數；

步驟二：由粒子群算法獲得使視頻體驗質量最優的無線網絡傳輸參數，使得下一時刻的視頻幀率最大、波動最小、視頻最流暢，具體步驟如下：

1)粒子群初始化，對粒子慣性權重w、學習因子c₁、c₂、粒子群數量population_size、維度dim、迭代次數max_steps、解空間范圍x_bound、初始粒子群位置x’、初始粒子速度v進行初始化；

2)設計適應度函數，所述適應度函數的計算公式為：

fitness＝a'*Q_m-b'*Q_s

其中，a'、b'表示影響因素系數，Q_m表示直接與平均幀率m_k呈對數相關關系，Q_s表示直接與實時網絡吞吐量p_i的方差s_k呈對數相關關系，具體計算公式如下：

Q_m＝ln(m_k+ε)

其中，Q_m和Q_s呈負相關關系，Q_m越大同時Q_s越小，則說明視頻平均幀率越大，視頻越流暢，波動較小，視頻用戶體驗質量越好，m_k表示當前時刻之前的N/2秒內每秒視頻幀率f_i之和的平均數；σ_k表示當前時刻之前的N/2秒內的網絡吞吐量的均方差；ε和表示與系統相關的常值參數，不同的系統參數不同，當計算時為了保證Q_m和Q_s在同一數量級，可使用ε和進行調節；N表示使用的數據條數，f_i表示每秒的視頻幀率，s_k+1表示第k+1時刻網絡吞吐量的方差，p-i表示第i時刻的網絡吞吐量，表示前N+1條數據中的吞吐量的平均值；

3)更新速度和位置，直至迭代結束或滿足最優位置的最小閾值，每次適應度函數計算完成后，都要進行比較以獲得最優的粒子位置和對應的適應度值，并更新個體最優適應度值individual_best_fitness和全局最佳適應度值global_best_fitness，獲得全局最佳適應度值所對應的x’即為能使吞吐量最大、波動最小的網絡狀態參數；

步驟三：利用所述步驟一中已經訓練完成的神經網絡模型的映射功能預測出最優的系統設置參數，并完成系統的設置，具體步驟如下：

1)通過讀取已經存儲網絡狀態參數的云服務器數據庫，獲取粒子群算法輸入端所需要的網絡狀態參數，并將所述網絡狀態參數輸入粒子群算法得到全局最優粒子及適應度之后，通過引入系統參數中的幀率和圖像質量的變量值擴充為所需的神經網絡矩陣的輸入矩陣，所述的系統參數中的幀率和圖像質量的變量值可用前一時刻的歷史數據補充；

2)將所述的步驟三1)中的輸入矩陣輸入神經網絡，通過神經網絡的映射關系，得到能使視頻體驗質量最高的系統設置參數的預測值，并按照所述的預測值進行系統參數設置；

步驟四：獲得實際數據并存儲，并重新運用于神經網絡的訓練和矯正，具體步驟如下：

1)通過通用的網絡通信庫twisted的庫函數讀取云服務器數據接收端口和指定系統文件完成對系統網絡狀態的持續監測，并獲得最新的網絡狀態參數及其他系統參數，并進行存儲；

2)將所述的步驟四1)中的最新的網絡狀態參數及上一時刻的視頻幀率和圖像質量參數按步驟一所述的具體步驟進行處理，并且按照每次以最新一條實際數據得到的輸入向量替代時間最早的那條輸入向量的規則輸入神經網絡，周期性地對神經網絡進行校正。