[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

摘要

本发明涉及一种基于自适应神经网络的视频传输丢包恢复方法。现有的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。本发明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。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。本发明有效降低网络丢包对IP视频呼叫的影响，提高视频互动的稳定性。

主权项

1.一种基于自适应神经网络的视频传输丢包恢复方法，其特征在于该方法包括以下步骤：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：在时刻t-1时Actor选择一个码率，而后会收到环境的反馈奖励信息，此处即是校正后的视频质量信息；此时Critic需要使用Q-learning更新规则，更新自己的奖励预测函数；Q-learning更新规则是预测函数在时刻t-1时预测的偏差，下式所示其中r_t-1是时刻t-1的动作所收到的奖励，Value_t与Value_t-1分别为时刻t与t-1时Critic对所处环境进行评估后函数Value(x)的输出值，γ是一个学习参数；上式使用预测函数Value(x)当前的预测值来代替将来可以获得的奖励的实际值，然后加上由时刻t-1到时刻t之间所得的奖励，就是时刻t-1时应该得到的奖励；步骤5.测试BP神经网络； 对训练完成的BP神经网络进行测试，将历史数据按照步骤(1)中的网络参数信息以及视频信息组成输入信息，再按照步骤(2)进行归一化处理，这样经过规格化后共得到14个输出数据，另外加上丢包率，共有15个Input分别与outl-outl5相对应；按照步骤(3)直接调用MatLab神经网络工具箱中的sim函数，对测试矩阵进行仿真，其中网络中每个神经元的门限函数都是可微的Sigmoid函数，对应为视频传输网络的丢包预测值；步骤6.数据反归一化处理；输出即为当前状态下的视频码率值进行反归一化处理，使用服从均值为μ(x)、标准差为α(x)的高斯分布随机数发生器来产生输出值。