VBR視頻通信量預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)方法研究.pdf

1、該文對(duì)神經(jīng)網(wǎng)絡(luò)方法在可變比特率(VBR:Variable Bit Rate)視頻通信量預(yù)測(cè)中的應(yīng)用進(jìn)行了研究,主要內(nèi)容如下:1.對(duì)VBR視頻通信量預(yù)測(cè)的研究方法和進(jìn)展進(jìn)行了綜述,重點(diǎn)是神經(jīng)網(wǎng)絡(luò)方法.基于這些神經(jīng)網(wǎng)絡(luò)方法的成功應(yīng)用,作者得出了一條結(jié)論:用相同壓縮算法產(chǎn)生的VBR通信量,在經(jīng)歸一化處理后,將具有相同的時(shí)間序列模型.該文采用的梯度徑向基函數(shù)(GRBF:Gradient Radient Basis Function)模型,以及提

2、出的基于自適應(yīng)濾波的抽頭延遲神經(jīng)網(wǎng)絡(luò)TDNN(Tapped Delay Neural Network)模型都是基于這個(gè)結(jié)論.2.提出把GRBF模型應(yīng)用于VBR視頻通信量預(yù)測(cè)中,由于采用差分輸入,能消除局部平均值變化對(duì)預(yù)測(cè)精度的影響,同常用的基于最小均方差(LMS)的線性模型和靜態(tài)TDNN模型相比,其預(yù)測(cè)精度得到明顯提高.3.提出基于自適應(yīng)濾波TDNN預(yù)測(cè)模型并應(yīng)用于VBR視頻通信量的預(yù)測(cè)中,該網(wǎng)絡(luò)訓(xùn)練分為離線學(xué)習(xí)和在線二次學(xué)習(xí)兩個(gè)階段:

3、離線階段,神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用基于卡爾曼濾波的訓(xùn)練及刪剪算法,通過(guò)刪除隱層神經(jīng)元,得到一個(gè)結(jié)構(gòu)緊湊的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),作為下一步在線預(yù)測(cè)與權(quán)重更新的先驗(yàn)知識(shí);在線階段采用遞歸最小方差(RLS:Recursive Least Square)算法進(jìn)行預(yù)測(cè)與權(quán)重更新,以離線階段得到的權(quán)重矢量與協(xié)方差矩陣為迭代起點(diǎn).VBR視頻通信量預(yù)測(cè)的仿真結(jié)果表明,同已有的預(yù)測(cè)方法相比,該模型的預(yù)測(cè)精度得到明顯提高.通過(guò)比較可以發(fā)現(xiàn),該模型是對(duì)VBR視頻通信量預(yù)測(cè)