[发明专利]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

摘要

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系统设置参数，并完成系统的设置；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系统设置参数，有助于系统参数更准确的设置和视频更流畅的传输。

主权项

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：/n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：/n1)连接云服务器并申请访问数据库；/n2)根据计算精度要求获取m条历史数据；/n3)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；/n4)对删减之后的历史数据进行平滑处理，公式如下：/nx＝a*mean_x+b*(x-mean_x)/n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，不同系统的a、b取值不同，但总满足{a+b＝1|a＞b,a＞0,b＞0}且a>b，根据系统情况不同选择合适的a、b即可；/n5)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系统文件获取无线信道的各种网络状态参数；/n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：/n1)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；/n2)设计适应度函数，所述适应度函数的计算公式为：/nfitness＝a*Q_m-b*Q_s/n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：/nQ_m＝ln(m_k+ε)/n /n /n /n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和表示与系统相关的常值参数，不同的系统参数不同，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；/n3)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；/n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系统设置参数，并完成系统的设置，具体步骤如下：/n1)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系统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，所述的系统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；/n2)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系统设置参数的预测值，并按照所述的预测值进行系统参数设置；/n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：/n1)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系统文件完成对系统网络状态的持续监测，并获得最新的网络状态参数及其他系统参数，并进行存储；/n2)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。/n