框架QoE-Aware 3 d视频在无线网络优化

文摘

三维互动媒体的个人用户仍然是一个非常具有挑战性的问题由于涉及大量的数据,不同的网络特征,和用户终端的需求,以及用户的上下文。本文提出了一个框架,用于三维视频的experience-aware交付质量跨异构无线网络。拟议的架构结合Media-Aware代理(应用层过滤),一个增强版的IEEE 802.21协议监控关键性能参数不同的实体和多层,体验质量控制器和基于机器学习决策引擎,能够模拟视频质量。拟议的架构是完全集成的长期进化增强分组核心网络。本文研究基于机器学习的技术生产客观体验质量模型基于参数从物理、数据链路、网络层。广泛的试验台试验和统计分析表明,该框架能够准确建模网络障碍的影响用户感知的三维视频质量。

1。介绍

媒体未来互联网需要应付一个流媒体应用程序的需求增加和三维(3 d)媒体通过修改和优化现有的协议为流在混合网络环境。上网容易,任何时候,任何地方,任何设备,互联网改变了用户的消费数量和行为,尤其是在媒体消费(1]。传统上上网和文件共享是占主导地位的应用程序,而今天实时流媒体和社交媒体应用程序(例如,YouTube、Facebook等)构成的主要部分互联网流量。互联网使用的变化模式和新颖应用需求的增加(高性能、可用性、安全性等),以及终端用户的增加质量的经验(体验质量)预期,开放新的挑战对未来网络实时通信的日益普及,在线社交网络,和用户设备的异构性2- - - - - -4]。

很明显,由于最近的视频采集技术的进步,编码,交付,并显示,3 d视频已在消费者领域通过一系列应用程序和服务,为观众提供增强的视觉体验。最近,研究三维视频编码和交通加剧,爆发的增强和更新编码策略,如h / SVC(可伸缩视频编码)(5),h / MVC(多视图视频编码)[6),和高效的视频编码(HEVC) [7),以及广泛部署LTE(长期演进)系统的高速数据传输的无线和移动用户(8]。

基于立体和多视图视频不同的表示格式,不同的编码方案随着时间的推移演变压缩等媒体有效。基于纯粹的颜色(例如,多视图、音响唐森或基于深度的格式(例如,colour-plus-depth或分层视频加上深度)通常使用基于遗留块压缩编码标准,如mpeg - 4部分10 / H。264提前视频编码(AVC),或其扩展,比如SVC (9)或MVC (10]。AVC也引入了新的概要文件来支持立体视频编码,如立体高调(11]。AVC派生的编解码器,即SVC和MVC,得到他们的基地层完全符合AVC规格要符合传统部署。SVC的目的是提供一个通用媒体位流,可以由多个不同生产能力的解码器解码重建媒体在不同的州。SVC还提供动态适应网络的多样性,终端,和格式。这是非常有用的对于简单的适应传输和高效的存储和传输服务是有益的和不确定的决议,信道条件和设备类型。MVC标准,另一方面,为了提高整体的率失真性能,利用视图间冗余通过差异补偿预测(DCP) [12]。尽管如此,多视图比特率增加的水平随着源相机的数量增加。因此,它是不切实际的编码和传输整个组视图需要显示在大多数多视图显示,特别是当处理异构无线接入网络。然而,目前尚不清楚所有这些技术如何影响观众的感知三维视频的13,14]。显然,它仍然是不切实际的估计此类应用程序的体验质量,不通过完整的主观评价。

任何3 d视频编码和交付系统最终将需要度量用户的满意度和感知体验。体验质量可以被定义为一个应用程序或服务的总体可接受性严格从用户的观点。这是一个主观的端到端服务性能从用户的角度来看,这是一个迹象表明网络满足用户需求(15]。包含许多不同的方面,最终用户体验质量铆接的真实感受,当他们观看流媒体视频,听数字化音乐,并通过大量的浏览互联网的方法和设备16]。在创建模型有一个真正的挑战将准确地执行学习模型服务行为等考虑参数到达模式请求,服务时间分布,I / O系统行为和网络使用(17]。这种企图的目的是估计对资源为中心的体验质量(利用率、可用性、可靠性和动力)和以用户为中心(响应时间和公平)环境在某些预定义的服务质量(QoS)和体验质量阈值。显然,目前还没有具体的证据证明QoS和体验质量之间的关系,特别是对3 d视频。然而,有几次试图定义人类感知的关系网络视频质量的内在客观条件,和大多数的这项工作得出结论,这种关系不能线性(18,19]。具体来说,作者在20.)影响的重要性证明网络交付速度和延迟对人类满意但也认为,在异构网络环境中,带宽和延时都不是足够的属性显示的范围问题,这使服务nonappealing给最终用户。

本文描述了框架QoE-aware交付跨异构无线网络的3 d视频。为此,提出了一种协同之间的LTE EPC架构和IEEE 802.21协议,确保实时控制和监测的关键性能指标和参数相对于感知到的3 d体验质量在不同的层和实体。拟议的框架包括一个体验质量控制器模块住房一个基于机器学习——(ML)决策引擎,这火车收集来自用户的数据和网络飞机模型,尽可能准确,知觉的3 d视频质量。需要强调,该建议的体系结构不需要任何标准化的LTE EPC接口的变更;因此,它可以顺利结合当前移动运营商的部署。本文研究基于机器学习的技术生产的客观体验质量模型网络相关的障碍。拟议的体验质量模型是一个函数的参数收集不仅从应用程序层,但也从底层层。先前的努力体验质量模型对3 d视频都是基于测量端到端包丢失和确定感知体验质量,这一过程将需要从接收端反馈,在无线网络的情况下可能永远不会到达或决策引擎可能来得太晚了。本研究调查监测网络的新方法实施障碍的感知到的视频质量体验质量将导致更精确的模型。具体来说,一组QoS参数收集交付链(即从不同的点。, bit error rate from physical layer, MAC layer load, and network layer delay/jitter), which account for the overall number of lost packets. Three classification schemes with different characteristics have been studied in order to identify the most appropriate method for modelling 3D video quality due to network impairments.

剩下的纸是组织如下。部分2简要介绍了LTE EPC的概念及其主要实体相关的目的。部分3提供了一个详细的描述提出media-aware框架和关注media-aware代理之间的协同作用,IEEE 802.21协议,和体验质量控制器,使收集体验质量相关的关键绩效指标在多个层和网络组件,这些数据的训练,认为3 d视频体验质量的造型。此外,在这一节中介绍了三种ML-based分类模型及其主要差异进行解释。实验的设置试验台中描述部分4。此外,部分定义了物理,MAC和网络层参数的影响的感知质量的3 d视频正在研究中。收集到的平均意见分(MOS)主观实验,以及一个详细的统计分析,提出了部分5。基于3 d测量金属氧化物半导体,部分6比较性能的三种机器学习方法的精密度和准确度,为了确定最合适的分类方案实施的体验质量控制器。最后,部分7总结了纸和突出了本研究的未来目标。

2。3 gpp EPS架构

下一代移动网络要求的技术实现互补的无线技术集成提供无处不在的多媒体服务”在任何地方,任何时间,任何设备。“近年来,3 gpp的进化包系统(EPS) [21)是由移动运营商为了满足越来越多的部署要求不间断、高质量,在无线接入网络实时多媒体服务。每股收益包括LTE无线访问,这是进化形成了UTRAN (E-UTRAN)下部的EPS和一个IP连接控制平台称为进化包芯(EPC)作为EPS的上部,这使无线接入网络(也就是多样性。LTE UMTS, WiMax无线网络,等等)。EPS是依赖于标准化的IP网络路由和传输机制。并行,EPS为共存与遗留系统提供功能和迁移每股收益,而它支持功能基于运营商的接入选择策略、用户首选项,和网络条件。每股收益最重要的功能之一是能够支持同时活跃的分组数据网络连接相同的用户设备(生产),同时保持协商QoS在整个系统。

3 gpp提出了EPC为了支持更高的数据速率,低延迟、分组优化和多个电台访问技术(22]。作为EPS的一部分,EPC全ip架构,满足这些需求,支持E-UTRAN的特点。EPC的优点,而不是传统的GPRS架构,是一个更清晰的描述控制和数据飞机,更简化的结构与一个核心网络,,最后,IETF的全部假设协议。因此,EPC允许一个真正聚合包核心可信3 gpp网络(即。、GPRS、UMTS LTE等),non-3GPP网络(即。(即,WiMAX)和不受信任的网络。WLAN)。此外,EPC保持无缝移动性和一致和优化服务提供独立于底层访问网络。

拟议的框架QoE-aware交付3 d视频内容在异构无线网络依赖3 gpp EPC。因此,EPC模块的描述与研究。讨论了模块的功能增强的一部分提出框架以支持无缝连接,透明的3 d实时适应视频流,QoE-aware监控和管理。

2.1。关键EPC模块

拟议的框架的相关性EPC模块(22图中所示1。具体地说,这些架构模块和功能包括以下几点:(我)家庭用户服务器(HSS)是主要的数据库的EPC负责存储用户的信息可能包括概要描述,几个身份信息,建立信息用户的会话。模块接口的移动管理实体和身份验证、授权和记帐服务器(服务器实现为一个直径23])。(2)移动管理实体(MME)的模块执行流动性管理和持票人管理和建立。期间还负责执行流动函数之间的交接2 g和3 g 3 gpp网络的访问。模块接口Serving-GW, eNodeB和高速钢。(3)服务网关(Serving-GW)作为网关的接口向E-UTRAN终止。每一块与每股收益相关的用户设备(UE)是由单个Serving-GW服役。在实现方面,Serving-GW和PDN-GW可能住在单个物理组件。(iv)分组数据网络网关(PDN-GW)是终止的网关接口的分组数据网络(例如,IMS (24)、互联网)。在情况问题是与不同的IP服务,几个PDN-GW与这个问题有关。它执行问题IP分配,政策执行,每用户信息包过滤、分组筛选。此外,PDN-GW充当移动3 gpp和non-3GPP访问之间的锚。它接口Serving-GW,进化分组数据网关(ePDG),负责EPC和不可信的non-3GPP网络之间的互相配合,如WiFi,接口3 gpp AAA服务器,可信non-3GPP访问网关和政策和收费规则的功能。(v)政策和收费规则函数(PCRF)执行QoS控制、访问控制和充电控制。函数是基于策略和授权不记名和会话建立和管理。一个PCRF分配给所有用户的连接。它与政策和充电接口执行功能(PCEF) PDN-GW和持票人绑定和事件报告功能(BBERFs)可信不可信的3 gpp / non-3GPP访问网关和高速钢。(vi)Evolved-UTRAN (E-UTRAN),如上所述,是一种简化的无线接入网络架构由进化NodeBs (eNodeBs)。的功能E-UTRAN支持无线资源管理(RRM)和选择的居里夫人,负责用户数据路由到Serving-GW执行调度,测量,和报告。

EPC描述模块已经实现的一部分OpenEPC测试平台(25),他们的上下文中已经扩展这个工作为了支持QoE-aware多媒体交付,其余的论文中描述。

3所示。提出Media-Aware架构

media-aware架构提出了旨在提供无缝的端到端服务与无处不在的异构技术的使用。在此体系结构的中心在于体验质量控制器,它促进ML-based模型质量的视频体验。学习过程是基于关键绩效指标的集合从整个网络体系结构和不同的层。这些信息存储在一个中央数据库,在本节的其余部分描述。显然,该框架需要提供无缝的、不间断,QoE-aware视频服务跨异构链路层接口和用户设备。因此,提出media-aware框架集成了一个小说实体命名media-aware代理(MAP)与IEEE 802.21媒体独立的交接(MIH)协议(26]。为了支持无缝交接和IP层移动性,该框架还支持代理移动IP;然而,这是超出了当前的研究范围。

这个框架与LTE EPC紧密耦合函数和模块(22];然而,它既不中断EPC的内在过程也不违反协议,因为它是在核心网络。地图和MIH体验质量的协同控制器,它充当QoE-aware决策函数,允许实时视频流的适应(即。,intelligent quality layer dropping or stream prioritization) based on multiple physical, network, and application layer parameters, collected from both the mobile terminal and the access network side. An overview of the proposed architecture is illustrated in Figure2。

3.1。Media-Aware代理

地图的定义是一个透明的空间模块负责低延迟适应和过滤的可伸缩视频流27]。结合体验质量控制器,模型体验质量和通知地图对感知质量的预测水平,后者能够下降或转发数据包携带特定层的流接收视频用户。详细地图是一个网络函数基于Media-Aware网络元素(鬃毛)标准(28,29日]。短暂,鬃毛可以被认为是一个中间框或应用程序层度假能够聚合或稀疏的RTP流选择性丢包的,有更少的显著影响用户的视频体验。因此,鬃毛已被建议作为一个中间系统能够接收和depacketising RTP交通为了定制封装网络抽象层单元,根据客户和访问网络的要求。的上下文中提出media-aware架构,地图的作用是双重的。首先,它充当一个中心点决定为了克服网络限制的防火墙和网络地址转换(NAT)在现实生活中广泛使用的网络协议。其次,它接收并解析RTP流和).根据视频流客户的需求和网络条件下,基于QoE-aware决策引擎的体验质量控制器。

特别是,地图,设计运行在Linux内核级别,以确保最低对端到端延迟的影响,作为一个透明代理的移动客户端和它负责解析数据包注定是所有移动用户在多个港口。每个收到数据包转发队列及其头是由一个RTP解析器解析过程以识别嵌入式视频相关信息,在不改变标题的字段。此外,地图有责任将这个信息存储在媒体独立的信息服务(mii)数据库。地图设计作为MIH-aware实体;因此,它可以直接存储信息需要从数据库信息产业部的体验质量模型。具体来说,地图定期更新与所有客户id(即数据库。,video service, video view ID, number of layers, incoming data rate, etc.); thus, it enables the QoE controller to train the collected data and predict the perceptual video quality of experience. The timely output of the ML-based QoE model will be utilised by MAP in order to maximise the perceived video QoE by selecting the appropriate stream optimisation method. The abovementioned algorithmic process is shown in Figure3。

3.2。IEEE 802.21概述

在IEEE 802.21标准的主要目的是提高交接性能在异构网络26),它还支持链接适应的重要方面。资源密集型的多媒体应用如视频需要链接为了适应网络提供商提供最大程度的视频体验。由于IEEE 802.21标准可以用来支持合作使用信息的移动节点和网络基础设施。这个框架引入了一个新的实体称为MIH函数(MIHF),驻留在网络协议栈的元素,特别是在链路层和上层。使用提供的服务的任何协议MIHF称为MIH用户。

如图4MIHF提供三种类型的服务,媒体独立事件服务(MIES)媒体独立命令服务(麦克风),和媒体的独立信息服务(mii)。密斯监控链路层性能和启动相关事件,以通知本地和远程用户。中等收入国家提供了一组命令MIH用户控制和接口链接属性。最后,信息产业部提供信息的静态特性等候选接入网络频段,最大数据速率,链路层地址。

另一方面,有3 ggp的方法定义了一个名为访问网络发现和选择功能的新组件(ANDSF) [30.),结合事件报告功能(小块土地)旨在促进信息交流的网络选择过程。然而,这种方法并不一样详尽和全面的密斯,不能支持链路层深度监测的条件。出于这个原因,在目前的工作,集成EPC MIH的架构支持链路层提出了监测和相关信号。此外,可用的监控特性扩展以包括应用程序层,因此,包括视频相关的属性。

为了让MIH框架有效地部署在EPC架构,MIHF必须安装在网络元素和移动节点。此外,信息产业部服务器必须引入与静态属性可用的数据库接入网络在目前EPC域。我们建议mii的扩展服务器的功能,以支持密斯和中等收入国家服务以存储的报告涉及实体和执行政策规则应用的体验质量控制器。

EPC描述架构的一个焦点是PDN-GW,等它连接各种访问路由器的Serving-GW LTE访问和进化数据包数据网关(ePDG) non-3GPP访问。产气井也可以访问外部包数据网络如互联网通过SGi接口。结果,这是合理的提出延长MIH服务器应该托管或,至少,应该在产气井的附近。

3.3。MIH在EPC架构

在这项研究的背景下,MIH应用作为一个控制机制负责监控和收集体验质量相关参数在不同层和网络实体近乎实时的。为此,可以利用MIH原语包括参数报告。MIH支持不同的操作模式参数的报告。例如,MIH_Link_Get_Parameters命令可以用来获得一组链接参数的当前值通过一个特定的链接MIH_Link_Parameters_Report原始的。此外,相同的原始报告的状态一组特定的链接在一个预定义的参数正则区间由用户可配置的计时器。最后,MIH_Link_Configure_Thresholds命令可用于生成报告时指定的参数经过配置的阈值。随后,可以定期报告,事件驱动,根据所需的或显式方法的可用带宽或监控功能。

扩展MIH服务器将这些报告并将存储的目的地最近的监控参数值可以共享的数据库信息产业部体验质量控制器。静态属性(例如,最大可用带宽)和动态属性(例如,利用带宽)可以存储在同一个数据库中。的地图也知道视频会话的特点,整个组可用的监控参数将从链路层扩展到应用程序层,允许更有效和精确的感知三维造型的视频质量。图5描述的基本信号流周期性报告情况。可用的链接是产生周期性的报告他们的地位和通知当地MIHF通过Link_Parameters_Report.indication。此后,各种MIHF报告他们组监测参数通过了信息产业部MIH_Link_Parameters_Report.indication事件。此外,类似的原始生成的地图为了报告可用视频相关参数。

3.4。体验质量控制器

3.4.1。体验质量相关的关键绩效指标

有三种基本类型的体验质量参数与物理、网络和应用程序层监控和收集的地图和MIH,如表所示1:(我)物理层相关信息包括访问技术的类型、接收到的信号强度,信号强度的振荡。特别是对WiFi,这些信息可以很容易地收集直接从接入点通过查询或广播消息。(2)网络QoS参数也体验质量管理的一个重要的信息来源,包括吞吐量、端到端IP层延迟、抖动、丢包。地图,这是作为一个IP信息包过滤功能的基于IP的视频流量引导到无线用户,能够解析数据包报头和检索相关的体验质量kpi。(3)应用程序参数监控涉及到应用程序的类型(视频或音频,音频虽然从纸的范围),编码特征,和视频内容的属性。这些是可用的地图通过解析接收到的视频流量的RTP报头。

除了参数表1需要考虑,一些额外的测量模型和监控视频体验质量。测量被认为是三类:广播质量,控制飞机的性能,用户平面QoS和体验质量的测量31日,32]。

收音机质量相关的测量将被限制在收集活跃的用户设备的数量。活跃的用户设备的数量显示有多少用户,平均使用细胞的资源定义一段时间,它可以用于交通和无线电资源规划。此外,一组相关的指标控制飞机性能的收集,包括连接的数量下降突然发生异常,其中可能包括收音机信号接口,可引起的中断用户的设备和网络之间的联系。在一个场景,包括实时视频流,失去一个正在进行的与内容提供商将导致极端恶化的用户体验。在这种情况下,它是强制性的除了连接每个细胞比例下降也测量每个服务连接比率下降。

此外,飞机用户体验质量相关性能指标利用体验质量控制器包括包抖动定义为偏离均值的平均网络延迟。这个测量是基于连续收到UDP数据包的到达时间戳在地图。的吞吐量被定义为IP数据报传输的数据量定义的时间段内(通常这个时间设置为1秒)。为了确定每个客户机的IP吞吐量,映射解析IP报头和收集并存储特定数据包的源地址和目的地址。吞吐量将以高采样率(即。期间,每333 ms)进行连接。

3.4.2。ML-Based体验质量模型

基于实例的监督毫升是一个学习的过程,产生一个普遍的假设。反过来,这一假说可以应用作为预测未来意味着实例(33]。有许多共同的所有毫升技术不同的步骤:(a)数据集收集,(b)数据给人好感的,(c)创建特性,(d)算法选择,(e)学习使用测试数据和评价。模型的准确性提高了通过重复和调整任何需要改进的一步。监督ML算法可以分类如下(34]:(我)基于逻辑的:这类最受欢迎的算法是决策树,树中的每个节点代表一个功能的实例和每个分支代表一个节点可以假设值。这类算法的缺点是使用数值特性后,他们不能有效地发挥作用。(2)Perceptron-based:人工神经网络是包含在这一类。神经网络已应用到一系列不同的现实问题及其精度的函数使用的神经元数量以及处理成本。然而,神经网络会变得效率低下,再辅以无关的特性。(3)统计:统计学习算法是最知名的比特率再贝叶斯网络和邻居。第一个的优点是它需要计算时间短的训练,但它被认为是部分由于假定它可以区分类使用一个概率分布。第二种算法是基于原则,邻近的实例有相似的属性。虽然使用起来非常简单,因为它只需要最近的邻居的数量作为输入,这是不可靠的,当应用于数据集与无关的特性。(iv)支持向量机(SVM):支持向量机学习算法被证明能对感冒有更好的表现在处理多维连续特性以及应用于输入时它们之间的非线性关系。视频输入具有非线性关系的一个例子是观众的体验质量和定性指标从不同的点交付链的聚集。

这项研究的上下文中体验质量控制器,这是居住在无线网络提供商的核心,实现了所提出的基于机器学习体验质量预测模型。该模型可以以快速响应时间为了支持无缝流适应,处理成本低,和效率。为了选择这样一个模型的最佳人选,三个著名的和广泛使用的学习算法研究和比较的精度和效率。第一个是比特率贝叶斯分类器(35),第二个是基于C4.5决策树算法(36),第三个是一个多层感知器网络(37]。

朴素贝叶斯分类器。一个简单的方法来获取知识和准确预测从一组训练实例的类实例,包括类信息、贝叶斯分类器。特别是,朴素贝叶斯分类器是一种特殊形式的贝叶斯网络,依赖于两个重要的简化假设。首先,它假设,考虑到类中,预测属性是条件独立的,其次,训练数据集不包含隐藏属性,这可能会影响预测过程。

这些假设导致一个非常有效的分类和学习算法。更详细的,假设一个随机变量代表类的一个实例是一个特定的类标签。同样的,是随机变量的向量表示属性的值;因此,是一个特定的观察到的属性值向量。为了测试用例进行分类贝叶斯规则应用于计算每个类的概率向量观测值的预测属性:

在(1)分母可以计算给定的事件是分配的结合属性值(即,),这些属性是假定为有条件的独立:

显然,从(2)是推断每个数值属性表示为连续概率分布范围的属性值。通常,这些概率分布假定为正态分布所代表的平均值和标准偏差值。如果属性被认为是连续的,那么一个正态分布的概率密度函数

因此,考虑到类,只有属性的均值和标准差比特率所需的贝叶斯分类器对属性进行分类。本研究的目的,朴素贝叶斯分类器将提供基线ML-based体验质量模型的准确度和精密度。这是由于这样的事实,尽管它是非常快和健壮的异常值,并使用证据来自许多属性,也是大型数据库的特点是低性能上限和假设的独立属性。此外,朴素贝叶斯分类器需要的初始知识很多概率,从而导致一个重要的计算成本。

逻辑决策树。通过定义决策树可以是一个叶节点的标签与一个类,或者包含一个测试的结构,与两个或两个以上的节点(或子树)。因此,一个实例分类树的运用其属性向量。测试执行到这些属性,达到一个或其他的叶子,完成分类过程。最广泛使用的算法构造决策树C4.5 [36]。尽管C4.5算法不是最有效的,它被选中是因为产生的结果会很容易与类似的研究工作。有很多的假设通常申请C4.5为了增加其性能效率和分类过程:(我)在所有情况下都属于同一类,那么这棵树是一片叶子,与特定类标签。(2)对于每个属性,计算潜在的信息提供的测试属性,根据每个案件都有特定的概率值属性。此外,衡量一个测试结果的信息增益的属性,使用每个案例与特定的概率值的属性是一个特定的类。(3)根据当前的选择标准,找到最好的属性来创建一个新的分支。

尤其是选择(或分离)标准是规范化信息增益。本质上,C4.5旨在识别具有最高信息增益的属性,并创建一个节点分裂的决定。这个算法分析过程可以用函数表示(4),假设的熵维向量样本的属性表示数据上的障碍,而条件熵来源于遍历所有可能的值:

修剪算法,最终需要执行产生的树为了最小化分类误差引起的异常值包含在训练数据集。然而,在分类视频感知质量的情况下使用决策树,训练集包含不同领域(比如,一个低数量的非常高或非常低的金属氧化物半导体测量),因此训练集的异常值检测和清洗需要提前执行,如部分所述5。1。

多层感知器。一个多层感知器网络(也称为多层前馈网络的输入层神经元负责分配向量中的值的预测变量值来隐藏层的神经元。除了预测变量,都有一个恒定的输入,所谓的偏见,这是美联储的隐藏层。偏差乘以一个重量和添加到进入神经元的数目。在一个隐层的神经元,从每个输入神经元的价值乘以权重和由此产生的加权值加在一起产生一个加权和,反过来喂养传递函数。传递函数分布的输出到输出层。到达一个神经元在输出层,每个隐层神经元的价值乘以一个重量和由此产生的加在一起产生一个加权和加权值,输入传递函数。传递函数的输出值是网络的输出。原则上传递函数可以是任何函数,也可以是不同神经网络的每个节点。在这个研究了s形(s型)函数的形式使用。这是一个常用的函数,也是数学方便因为它产生以下微分属性:。

多层感知器的训练过程是确定的重量值集将导致更好地匹配神经网络的输出与实际目标的价值观。该算法精度取决于隐层神经元的数目。如果使用的神经元数量不足,网络将无法模型复杂的数据,以及由此产生的配合将会贫穷。如果使用太多的神经元,培训时间会太长,,更糟糕的是,网络可能overfit数据。过度拟合发生时,网络将开始模型中的随机噪声数据。在这项研究中执行了验证实验使用不同隐层神经元的数目。最好的精度已经通过使用五在一个隐层的神经元网络,如图6。前馈多层感知器最小化误差函数,但它可能花时间(即收敛到一个解决方案。最小值)这可能是不可预知的由于错误,被添加到在每个迭代中权重矩阵。因此,为了控制收敛速度,学习速率参数被设置为和迭代进行直到系统融合。

4所示。实验装置

4.1。捕获和处理3 d视频内容

拟议的体验质量框架是通过大量的实验验证试验台平台的数字8。对于本研究四个实际捕获的立体视频测试序列(“武术”,“音乐会”,“小组讨论”,和“报告”)与不同的时空索引左右3 d格式的使用。3 d视频捕捉按照规范执行的38),为了提供3 d内容可以简单地分类(类型)的3 d视频编码性能评价和比较,为多视图内容提供相关的3 d功能哪一个可以计算视差地图和合成中间视图呈现不同的展示,并允许进步和详尽的质量评估标准。为此,LG的Optimus 3 d手机作为立体拍摄会议期间捕获设备。相机的配置如下:(我)同步立体相机(一生FullHD 30 fps,拜耳格式,65毫米的间隔)。(2)原始格式:拜耳格式然后转化为获得rgb和yuv序列(+色彩校正、噪声过滤机械偏差,和autoconvergence)。(3)编码:FullHD或更低,并排,或与二次抽样+ MPEG4 AVC自上而下地。

快照的测试视频序列在图所示7。的详细描述捕捉场景和内容描述的特征(38]。所有序列都是并排分辨率640×720像素和960×1080像素/视图以每秒25帧。h / SVC编码进行使用提供的编码器先锋软件工具(39)配置为创建两层(一个基本层和增强层)使用质量可伸缩性。SVC是有利的选择特定的实验,因为它允许3 d视频内容交付在异构无线频道manageble比特率。特定的编码器本身允许使用各种pattent保护错误隐藏方案,可以为包compansate损失高达5%。每个视频帧被封装在一个网络抽象层单元(——),大小为1400字节,进而被封装成一个单一的实时传输协议(RTP)数据包大小为1400字节(载荷)。生成的视频数据包通过网络使用UDP / IP协议栈。额外单独负责的传播通道参数设置(PS)通过TCP / IP连接到客户端。此外,没多大(40)是用于模拟不同网络条件下,变量延迟和损失按照描述实验场景。因此,每个实验被重复10次为了获得有效的统计数据。表2总结了流媒体编码和配置参数中使用所有的实验。

无线信道误差模型。为了体验质量模型的影响物理障碍,瑞利衰落信道的模拟802.11 g是由两国马尔可夫模型。每个国家的特点是不同的比特误码率(BER)的物理状态和过渡层,结果概率的马尔可夫模型,如表3。无线信道质量的特征是一个错误的概率坏和良好的状态,和和概率和保持在好的或坏的状态,分别。

4.2。MAC层负荷模型

无线信道的负荷将导致失效,就会导致重发的数据链路层由于contention-based固有的IEEE 802.11协议的访问。最终,由于本文研究实时视频流,负载在MAC层将导致损失,在应用程序层将作为知觉的文物和扭曲的视频质量。为了模拟和控制负载,UDP流量生成和传输上行和下行通道。constant-sized UDP数据包生成根据泊松分布的平均值的三倍2 Mbps, 3 Mbps,和4 Mbps,分别在每个方向。显然,这样的设置将最终整体背景流量(即的两倍。、负载)无线接入信道。

4.3。IP延迟变化模型

此外,本研究的目的和为了模型的延迟变化IP层,一个常数加上γ分布应用(41),类似于图中所示9。更准确地说,延迟变化描述为一个伽马分布常数比例因子和三个不同的形状因素的范围,。显然,该配置将导致各种平均延迟和相应的差异。在实验中,三个这样的延迟变化方案被应用,总结在表4,以控制网络条件和产生理解的结果,关于解码视频的视觉质量退化。

5。主观实验和分析

按照绝对主观实验分类评级(ACR)方法中定义ITU-T建议(42- - - - - -45]。感知到的视频质量评价在一个范围从0(坏)到5(优秀)的标准。为了产生可靠的和可重复的结果,主观的分析视频序列进行了严格的测试环境中。一个LG 32 lm620s领导3 d屏幕的分辨率像素,长宽比16:9日峰值显示亮度500 cd / m²,对比度5000000:1与被动眼镜使用在实验显示立体视频序列。视频的观看距离评价者设置为2米,按照主观评价的建议。期间测量环境亮度测量是200勒克斯,和背后的墙屏幕亮度是20勒克斯,所推荐的(42]。主观评价是由二十个专家观察员性别平衡的方式,他们被要求评估的整体视觉质量显示视频序列。包括训练是为了让观察家们熟悉评级过程和理解如何识别文物和障碍在视频序列。

5.1。统计的措施

最初,每个主题的收集分析了苔藓使用卡方检验(在不同的测试条件46),验证大多数金属氧化物半导体的常态分布。正常验证后MOS分布,消除异常值的检测和应用技术。这项技术是基于检测和去除的得分情况之间的差异意味着主题投票和平均投票支持从所有其他科目超过这个测试用例。应用的孤立点检测方法确定每个测试用例两个离群值的最大。

去除离群值后,剩余的苔藓统计分析,以评估的感知质量收到视频序列。每一组的平均金属氧化物半导体测试视频序列场景的大小表示为: 在哪里平均分数的意见是什么th的观众th场景的视频序列和测试特定数量的评估测试场景。的标准偏差由方差的平方根定义:

估计的置信区间(CI)意味着MOS值,这表明之间的统计关系意味着MOS和实际的金属氧化物半导体,使用学生的计算分布如下: 在哪里是值对应于一个双尾——学生分布与自由度和一个预期的显著性水平。在这种情况下,意义,它对应于95%,的标准差是所有科目的MOS /测试。此外,收集到的金属氧化物半导体的不对称度样本均值的分布的测量是通过测量偏态,而“尖峰”的分布是衡量其峰度如下: 在哪里是阶矩的意思

最后测量苔藓受到一个方差分析(方差分析)。方差分析测试的零假设意味着两个或两个以上的组之间是相等的假设下的样本数量是正态分布的。虽然多因素方差分析将揭示了方方面面的复杂关系,MAC层负载和延迟的变化和由此产生的体验质量在47),在本研究的目的是确定三种选择的因素,可以认为是统计独立的,有统计上显著影响产生的体验质量。在这种特殊情况下使用方差分析为了测试以下零假设:(1)平均苔藓由于延迟变异三个组(即。,因为,,)独立的视频序列,空间分辨率,量化步长是相等的。(2)平均苔藓由于三MAC层背景负荷(即。,2 Mbps, 3 Mbps, and 4 Mbps) independent of the video sequence, their spatial resolution, and quantization step size are equal.(3)平均苔藓由于三个无线信道伯斯(即。,Good, Medium, and Bad) independent of the video sequence, their spatial resolution, and quantization step size are equal.

5.2。分析测量金属氧化物半导体

四个测试视频序列的平均金属氧化物半导体测量在上述实验条件下所示的数字10,11,12。每一列的数字代表了观众由于MOS得分平均的影响(即三QoS的只有一个指标。方方面面,MAC负载,和延迟变异),而其他两个指标分配给他们的“最佳”(即价值。最高水平的价值,结果视频交付QoS)。平均苔藓的比较提供了一个显示延迟变异的影响,负载和误码率测试序列。很明显,QoS参数有不同的效应(即根据视频特征。、时空索引)。此外,表5总结了MOS /测试视频序列的统计参数。

为了得到一个更好的理解MOS /测试视频序列均值、标准差、方差、偏态和峰态进行了研究。通过方差、困难或缓解评估者的评估参数以及评价者之间的协议可以解决。因此,低方差可能表明高协议整体三维金属氧化物半导体的观众之一。在表5低方差均值周围的金属氧化物半导体在所有视频序列表明观众同意的分数分配给整个3 d视频质量在每个测试场景。略高方差的“武术”序列可能是由于时间序列指数高,导致更多的不稳定行为的损失,从而导致更多的观众之间的差异。

在主观评价的背景下,偏态显示不对称的程度在MOS得分值的每个样本的分布参数(在这种情况下,视频序列)。作为一个正态分布的偏态零,结果在表5表明对称在MOS得分的每个测试视频序列。类似于方差的研究,“武术”序列有一个轻微的不对称相比其他序列由于序列的观众走到最大和最小分数比其他情况下更频繁。

表的最后一列5介绍了MOS的峰度每个视频序列。峰度是如何outlier-prone分布的迹象。正态分布有一个默认的峰度值。峰度越低,越容易分布。然而,峰度两次低于峰度的标准误差,计算的平方根除以(苔藓的数量)48),可以被认为是正常的。在这种情况下,有评估得分每个视频序列不同的场景,下面的峰度可以忽略。因此,低峰度的表一致5对所有视频序列可以被视为一个迹象表明缺乏异常值,因为所有评估者类似的分数分配给整个3 d视频质量。

已经进行了三次单向方差分析的方法,以评估同等数量的零假设关于三个QoS相关参数研究(延迟变化、加载和误码率)。方差分析结果列于表6,7,8。详细,假设一组样本的总平均的所有数据值的总数除以总样本大小,然后由总变异的平方和的每个意思的差异大的意思。在方差分析中,定义了群体间的变异和类内变化。通过对比群体间的方差比类内方差方差分析确定,如果样本之间的相互作用造成的方差方差相比要大得多,在每一组中,那么它就是因为手段是不一样的。此外,如果有样本涉及一个数据值对于每个样本(样本均值),然后组间变异的自由度。同样,在类内变化的情况下,每个样本有自由度等于1小于他们的样本大小,还有样品;的总自由度低于总样本大小:,在那里样品的总大小。由于个体内差异样本方差表示为女士(均方)组。这是类内变化除以它的自由度。的以及统计发现类内方差除以群体间的差异。分子的自由度是群体间的方差的自由度(),分母的自由度是类内方差的自由度。根据以及决定将拒绝零假设,如果以及统计数据从表6,7,8大于关键值分子和分母的自由度。

通过研究表6,7,8,它可以确认所有三个零假设,定义之前,可以拒绝;因此,各组之间有显著的统计差异对延迟的变化(即。不同形状的因素伽马分布有重要的影响产生的3 d视频MOS), MAC层负载(即。,the three different mean values of the Poisson distributed background traffic affect significantly the 3D MOS), and the BER (i.e., the three different wireless channel conditions alter the 3D MOS significantly). The above conclusions are derived by the extremely low probability的显著性水平远低于和统计进而表明一个或两个意味着彼此之间显著不同。

因此,单向方差分析肯定的选择三个QoS参数(延迟变异、加载和BER)以及分配给这些参数的值为目的的主观评价3 d MOS和随后的定义、培训、体验质量和验证的机器学习模型,基于这些QoS参数,是正确的。

6。毫升体验质量模型比较

的培训和分析结果使用Weka软件工具执行(49]。朴素贝叶斯分类的输出如表所示9,对每一个数据集的属性高斯分布的平均值和标准偏差。此外,决策树C4.5 ML算法的实现为J48 Weka如图13。按照MOS比较的结果在前一节中,抖动是最重要的参数;因此,它位于树的路线(即。,第一次分裂节点)。

所有模型的预测性能评估使用10倍交叉验证方法。这三个模型的混淆矩阵如表所示10。可以看出,朴素贝叶斯分类器分类错误金属氧化物半导体类的实例,金属氧化物半导体类的实例,所有的金属氧化物半导体类实例。这是预期的,因为选择了朴素贝叶斯分类器作为基线的ML性能测试。多层感知器的混淆矩阵和C4.5决策树证实这两种方法都执行同样比贝叶斯分类器。

然而,模型精度(数量的正确分类实例)不能用于评估的有效性使用不平衡数据集构建分类模型,在这种情况下。为此使用了“Kappa统计”,这是一个通用术语几个类似措施的协议用于分类数据。通常用于评估的两个或两个以上的视频观众在这种情况下,研究视频序列相同,同意时分配的苔藓。类似于相关系数,其值为零当没有协议的分数(利率的纯粹随机的巧合),是当有完整的协议。“Kappa统计”的三个模型如表所示11。

此外,3 ML算法考虑这项工作相互比较的精度,精度(),并召回比特率。算法的精度,也被称为或重复性,再现性表示重复测量的程度(在本例中金属氧化物半导体)不变的条件下显示相同的结果。回忆被定义为相关实例检索的搜索的数量除以总数量的现有相关实例。除了这两个指标,算法也评估方面测量(),它认为精度(和回忆)的测试,计算得分。让代表类,它在本例中是源自于苔藓。那么真正的正正确的实例的数量分类,假阳性是属于类的实例数量比特率但没有分类,和假阴性是实例的数量不属于类的比特率,但有被分类。因此,(),()和()推导如下:

最后,模型的准确性还推导出由接受者操作特征(ROC)曲线下的面积。的人代表了一个完美的模型,而面积意味着缺乏统计依赖关系。这些比较结果也显示在表11。

很明显,为特定的数据集,与多个类和属性之间的非线性关系,最佳的性能是通过多层感知器。然而,C4.5是一个非常不错的选择,执行MOS分类与可接受的精度和更少的处理努力。此外,由于决策树返回结果的物理意义,因此分类可以很容易地解释和用作决策规则;C4.5会更好,而不是神经网络,在实时体验质量控制作为决策引擎。

7所示。结论和未来的步骤

显然,新一波的IP融合与3 gpp LTE EPC的心脏正在推动实时多媒体应用。新的网络体系结构范式是不断发展的,是一个持续的努力,内容提供商和运营商与优化提供和维护优质内容的访问体验质量。提出一种新颖的media-aware测量和建模框架3 d视频用户体验,设计密切结合LTE EPC架构。建议的解决方案包括Media-Aware代理网络元素之间的协同和IEEE 802.21 MIH协议。前者负责解析RTP数据包收集kpi相关的体验质量和适应当前网络状况的视频流。后者是增强作为控制机制提供必要的信号收集kpi在不同层次和网络元素。此外,MIH提供中央数据库,存储收集体验质量相关kpi和允许第三个组件命名体验质量控制器训练数据集和模型认为3 d视频质量。三个机器学习分类算法模拟体验质量由于网络相关的障碍进行了调查。与先前的研究,体验质量模型是一个函数的参数收集从应用程序中,MAC和物理层次。因此,而不是确定的3 d体验质量只通过测量端到端包丢失,本文认为一组(即服务质量(QoS)参数。比特误码率从物理层、MAC层负载和网络层/延迟抖动),占丢失的数据包的总数。 A detailed statistical analysis of the measured 3D MOS indicated that the predominant factor of QoE degradation is the IP layer jitter. Therefore, the proposed ML scheme aims to determine more accurately the impact that different layer impairments have on the perceived 3D video experience. A comparison of the three ML schemes under study in terms of precision and accuracy indicated that the multilayer perceptron has the best performance, closely followed by the C4.5 decision tree.

这是一个正在进行的研究。建筑在本文中给出的结果,下面的步骤包括体验质量管理机制的设计和实现,优化感知体验质量的视频指导EPC架构和地图的不同网络元素要么交付的视频流量适应网络环境或执行的帮助下MIH content-aware交接少加载邻近通道或访问网络。此外,与当前和未来的LTE EPC实现更紧密的集成是目前正在研究。目的是重新配置该框架结合LTE政策和充电控制(PCC)技术,以升级成content-aware交通扩展机制对所有网络运营商部署。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作得到了西门子“卓越”项目由国家奖学金基金会(犹太人),希腊。

引用

1. a . Lykourgiotis k . Birkos t Dagiuklas et al .,“混合广播和宽带网络融合互动电视应用,”IEEE无线通信,21卷,不。3、62 - 69年,2014页。视图:出版商的网站|谷歌学术搜索
2. G.-M。苏,研究。赖,a . Kwasinski和h . Wang”3 d视频通信:挑战和机遇,”国际通信系统杂志》上,24卷,不。10日,1261 - 1281年,2011页。视图:出版商的网站|谷歌学术搜索
3. c . Tselios politi, k . Birkos t . Dagiuklas和s . Kotsopoulos”对多媒体应用和服务的云在异构网络确保体验质量,”IEEE 18学报》国际研讨会上计算机辅助建模和设计的通信链路和网络(CAMAD 13),页94 - 98年,柏林,德国,2013年9月。视图:出版商的网站|谷歌学术搜索
4. k . Birkos politi, a Lykourgiotis et al .,“对3 d视频交付在异构网络:罗密欧的方法,”《国际电信和多媒体会议TEMU”(12)页60 - 65,IEEE有关,希腊,2012年8月。视图:出版商的网站|谷歌学术搜索
5. ITU-T和ISO / IEC ITU-T建议h .(2010):先进的视频编码通用视听服务,“信息技术编码视听对象第10部分:先进的视频编码ISO / IEC 14496 - 10:2010, 2010。视图:谷歌学术搜索
6. a . Vetro t . Wiegand g·j·沙利文,”概述的立体声和多视图视频编码扩展h / mpeg - 4 AVC标准,“IEEE学报》,卷99,不。4、626 - 642年,2011页。视图:出版商的网站|谷歌学术搜索
7. g·j·沙利文,J.-R。欧姆,W.-J。汉族,t . Wiegand”概述高效视频编码(HEVC)标准,“IEEE电路和系统视频技术,22卷,不。12日,第1668 - 1649页,2012年。视图:出版商的网站|谷歌学术搜索
8. 3 gpp,“技术规范组织服务和系统方面,“3 gppTS 23.002 V13.3.0(2015 - 09年),网络体系结构,2015年。视图:谷歌学术搜索
9. h·施瓦兹、d . Marpe和t . Wiegand”概述的可伸缩视频编码扩展h / AVC标准,“IEEE电路和系统视频技术,17卷,不。9日,第1120 - 1103页,2007年。视图:出版商的网站|谷歌学术搜索
10. a . Vetro·潘迪特h . Kimata a . Smolic Y.-K。王”,联合8多视点视频编码,草案”技术。众议员JVT-AB204联合视频小组(JVT),汉诺威,德国,2008年。视图:谷歌学术搜索
11. g·j·沙利文,a . m . Tourapis t . Yamakage和c . s . Lim”AVC修正案草案文本指定约束基准剖面,立体声高调,和框架包装SEI消息,“联合视频团队(JVT)文档JVT-AE204联合视频团队(JVT),伦敦,英国,2009年。视图:谷歌学术搜索
12. p . Merkle a Smolic、k·穆勒和t . Wiegand“有效的多视图视频编码、预测结构”IEEE电路和系统视频技术,17卷,不。11日,第1473 - 1461页,2007年。视图:出版商的网站|谷歌学术搜索
13. Politisa, l . Dounis c . Tselios A . Kordelas t . Dagiuklas和A . Papadakis”网络相关体验质量的模型对3 d视频”《IEEE Globecom研讨会(GC Wkshps 12),页1335 - 1340,阿纳海姆,加利福尼亚州,美国,2012年12月。视图:出版商的网站|谷歌学术搜索
14. c . Tselios c . Mysirlidis politi, t . Dagiuklas和s . Kotsopoulos”质量评价的3 d视频使用Colour-plus-Depth和争取民主变革运动”IEEE 19学报》国际研讨会上计算机辅助建模和设计的通信链路和网络(CAMAD 14)IEEE,页66 - 69年,雅典,希腊,2014年12月。视图:出版商的网站|谷歌学术搜索
15. 诺基亚西门子网络,“QoS-enabled IP网络向多元的体验质量,”技术白皮书,2011年。视图:谷歌学术搜索
16. K.-T。陈,C.-J。常,c c。吴,研究。常,C.-L。Lei“欣快象限:众包平台体验质量评估,”IEEE网络,24卷,不。2,28-35,2010页。视图:出版商的网站|谷歌学术搜索
17. a . Balachandran诉Sekar, a . Akella珊,斯托伊卡,和h·张,“开发一个网络视频质量预测模型的经验,“ACM SIGCOMM计算机通信评审,43卷,不。4、339 - 350年,2013页。视图:出版商的网站|谷歌学术搜索
18. k . r . Laghari和k·康纳利”向全面质量的经验:在交流中体验质量模型的生态系统,”IEEE通讯杂志,50卷,不。4,58 - 65、2012页。视图:出版商的网站|谷歌学术搜索
19. a . k . Moorthy崔l . k . a . c . Bovik和g . De Veciana”移动设备上的视频质量评估:主观的,行为和客观的研究,“IEEE杂志在信号处理所选主题》第六卷,没有。6,652 - 671年,2012页。视图:出版商的网站|谷歌学术搜索
20. 诉De Silva h . k . Arachchi大肠Ekmekcioglu et al .,“心理的极限两眼间的模糊抑制及其应用交付,不对称的立体视频”19学报》国际包视频研讨会(PV 12)IEEE,页184 - 189年,慕尼黑,德国,2012年5月。视图:出版商的网站|谷歌学术搜索
21. 3 gpp,”通用分组无线业务(GPRS)增强发展通用陆地无线接入网(E-UTRAN)访问,”3 gppTS 23.401, 2016。视图:谷歌学术搜索
22. 3 gpp,”第三代合作伙伴项目;技术规范集团服务和系统方面;网络体系结构,”科技。众议员3 gpp TS 23.002 V12.5.0, 2014。视图:谷歌学术搜索
23. IETF”直径基础协议,”科技。众议员RFC 6733, IETF, 2012年。视图:谷歌学术搜索
24. ETSI TS 123 228 V12.9.0 IP多媒体子系统(IMS),第二阶段,“3 gppTS 23.228版本12.9.0释放2015。视图:谷歌学术搜索
25. 弗劳恩霍夫——OpenEPC工具包,http://www.openepc.net/。
26. IEEE 802.21工作组”,IEEE标准为当地和市区网络21部分:媒体独立的交接,”IEEE标准802年,2008年。视图:谷歌学术搜索
27. a . Kordelas politi, a . Lykourgiotis t . Dagiuklas和s . Kotsopoulos”一个媒体意识到平台实时立体视频流适应,”《IEEE国际会议交流研讨会(ICC的13),页687 - 691,布达佩斯,匈牙利,2013年6月。视图:出版商的网站|谷歌学术搜索
28. IETF,”h RTP载荷格式视频,”IETF RFC草案2010年3984年,IETF, draft-ietf-avt-rtp-rfc3984bis-12。视图:谷歌学术搜索
29. IETF草案音频/视频传输工作组,SVC的RTP载荷格式视频,“draft-ietf-avt-rtp-svc-27, 2011。视图:谷歌学术搜索
30. 3 gpp,”non-3GPP访问架构改进,”3 gppTS 23.402, 2015。视图:谷歌学术搜索
31. h·埃克斯特龙“QoS控制在3 gpp进化包系统,”IEEE通讯杂志卷,47号2、76 - 83年,2009页。视图:出版商的网站|谷歌学术搜索
32. j·h·罗,美国Ci, d . Wu, h·唐,“面向质量的跨层优化的视频在LTE交付,”IEEE通讯杂志,48卷,不。2、102 - 109年,2010页。视图:出版商的网站|谷歌学术搜索
33. 诉Menkovski a . Oredope a李欧塔,a Cuadra桑切斯,“预测质量的多媒体流,经验”第七届国际会议的程序移动计算的发展和多媒体(MoMM ' 09),页52-59、吉隆坡、马来西亚,2009年12月。视图:出版商的网站|谷歌学术搜索
34. s . b . Kotsiantis“监督机器学习:分类技术的审查,”Informatica没有,卷。31日。3、249 - 268年,2007页。视图:谷歌学术搜索|MathSciNet
35. g·h·约翰·p·兰利,“估计连续分布在贝叶斯分类器,”学报11日会议上的不确定性人工智能(可用95)加拿大蒙特利尔,页338 - 345,,1995年8月。视图:谷歌学术搜索
36. j·r·昆兰C4.5:机器学习项目,1卷,摩根考夫曼、波士顿、质量,美国,1993年。
37. m·w·加德纳和s . r .道灵”,人工神经网络(多层感知器)——审查在大气科学的应用,”大气环境,32卷,不。14日至15日,第2636 - 2627页,1998年。视图:出版商的网站|谷歌学术搜索
38. EU-FP7-ICT-ROMEO”D3.1报告3 d媒体捕捉和内容准备,”2012年5月,http://www.ict-romeo.eu/。视图:谷歌学术搜索
39. 先锋软件解决方案h / SVC SDK,http://www.vanguardsw.com/。
40. 卷边,“网络模拟与品位。Linux之盟”澳大利亚的国家(linux.conf Linux会议。非盟05)堪培拉,澳大利亚,2005年4月。视图:谷歌学术搜索
41. j . c . Bolot”端到端分组延迟和损失的行为在互联网,”《会议通信架构、协议和应用程序(SIGCOMM ' 93),第298 - 289页,1993年。视图:出版商的网站|谷歌学术搜索
42. ITU无线电通信部门,“方法论的电视画面质量的主观评价,“技术。众议员ITU-R BT.500-11, 2002。视图:谷歌学术搜索
43. ITU无线电通信部门,“主观视频质量评价方法对于多媒体应用程序,”科技,众议员ITU-T Rec P.910, 1999。视图:谷歌学术搜索
44. 电联,“主观视听多媒体应用,质量评估方法”ITU-T推荐P.911,国际电信联盟,瑞士日内瓦,1998年。视图:谷歌学术搜索
45. ITU-T BT.2021,主观评估方法的立体3 d系统国际电信联盟,瑞士日内瓦,2012年。
46. DTIC,卡方测试、国防技术信息中心,1976年。
47. 答:汗,l .太阳和e . Ifeachor”体验质量预测模型及其应用在视频质量适应UMTS网络”IEEE多媒体,14卷,不。2、431 - 442年,2012页。视图:出版商的网站|谷歌学术搜索
48. b . g . Tabachnick l . s . Fidell, s . j . Osterlind使用多元统计,2001年。
49. m·霍尔·e·弗兰克,g .福尔摩斯b . Pfahringer p . Reutemann和i . h .威滕”WEKA数据挖掘软件:一个更新”,ACM SIGKDD探索通讯,11卷,不。1,10 - 18,2009页。视图:谷歌学术搜索

版权

版权©2016年伊利亚斯politi等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。