[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

说明书

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。

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系统设置方法，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系统稳定性和可靠性，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)