[发明专利]一种基于自适应神经网络的视频传输丢包恢复方法

说明书

技术领域

本发明属于视频数据技术领域，涉及一种基于自适应神经网络的视频传输丢包恢复技术。

背景技术

随着3G技术和宽带网络的发展，以及终端的不断推陈出新，视频通信业务将得到长足的发展，因此视频传输系统对实时性和准确性的要求越来越高。在网络的视频传输过程中，影响音频音质的主要因素有时延、静电干扰、丢包和抖动等。其中，丢包问题一直是一个影响视频交互服务质量的最核心因素。尽管网络传输中使用的协议低层有纠错码，但只能解决包内误码，无法解决丢包问题。TCP协议的错误重发机制可以保证网络数据流的正确性，但是它无法满足视频信号传输的实时性要求，特别是在多组广播的情况下，不同的接受者有不同的丢包重发要求，这不仅会增大网络带宽的消耗，而且反过来导致网络传输堵塞，造成更大的数据包丢失。因此，需要对应用层的丢包恢复处理技术加以研究，以提高视频传输的质量。

反向传播自适应神经网络(Back Propagation Neural Network,简称BP网络)是目前应用最为广泛和成功的一种人工神经网络。主要由输入层、隐含层和输出层组成。前向网络是指，只存在不同层神经元之间的权值连接，而不存在同一层神经元之间的连接，而且神经元之间的连接，只是在相邻层之间的连接，而不出现隔层连接的情况。现己证明:一个具有S型激活函数的单隐含层前向网络，只要隐含层有充分多的神经元，它就能够以任意的精度逼近任意一个已知函数，从而表明BP神经网络可以作为一个通用的函数逼近器。将BP神经网络应用于视频传输丢包之中，能克服传统丢包检测视频恢复技术的缺陷，因而具有良好的应用和推广前景。

发明内容

本发明提出一种基于自适应神经网络的视频传输丢包恢复技术，包括网络丢包模型和基于反向传播自适应神经网络(Back Propagation Neural Network, BP网络)的丢包恢复技术，提高视频传输系统的实时性和准确性。

本发明采用如下技术解决方案：首先视频信息作为当前环境的状态输入，输出在这些输入状态下应该使用的视频编码码率。其主要的网络丢包模型使用了基于反向传播自适应神经网络的AHC模型(或称为Actor-Critic模型)，其中Actor负责产生当前状态条件下的一个动作，Critic则负责学习预测当前状态条件下可能得到的奖励， Value(x)即为Critic对环境奖励进行预测的函数。学习过程中，Critic接受环境的奖励反馈，更新Value(x)，并将奖励预测误差以外界反馈的形式交给Actor模块，用于指导Actor纠正选取动作的策略。其中，Value(x)依据Q-learning更新规则进行学习，Actor则采用 Gaussian ASLA动作函数来实现，Actor与Critic都使用BP(Back-Propagation)神经网络来进行泛化的工作。

本发明具体方法包括以下步骤：

步骤1.选择视频丢包恢复模型的输入变量和输出变量，确定训练样本；具体方法为： 

输入变量包括三类网络参数信息及视频信息，所述的三类网络参数信息分别是4个时延状态值、4个抖动状态值、1个丢包率状态值；

所述的视频信息为6个帧复杂度状态值； 

输出变量为使用的视频编码码率。

步骤2.数据归一化处理，对输入和输出序列中的数据进行归一化处理，具体是对时延、抖动和帧复杂度的状态变量参数进行规格化处理，转化为[0, 1]范围的值。

步骤 3.视频传输网络丢包模型使用了基于反向传播自适应神经网络的AHC模型(Actor-Critic模型)，具体方法是：

通过使用三个神经网络分别用来拟合Critic中的Value(x)、Actor中的μ(x)和α(x),其中μ(x)和α(x)分别表示输出值的均值和标准差；

所述的Actor负责产生当前状态条件下的一个动作，

所述的Critic则负责学习预测当前状态条件下可能得到的奖励；

所述的Value(x)为Critic对环境奖励进行预测的函数；

三个神经网络的输入相同，都是规格化之后的变量状态值，输入层共有15个输入单元为Inputl-Inputl5；每个神经网络有一个隐层，隐层有三个神经元组成为Hiden1-Hiden3；输出层有一个输出神经元为Out；网络中的每个神经元的门限函数使用的是可微的Sigmoid函数。

步骤4.训练BP神经网络的学习过程中；具体方法是：