VBR视频通信量预测的神经网络方法研究

摘要

该文对神经网络方法在可变比特率(VBR:Variable Bit Rate)视频通信量预测中的应用进行了研究,主要内容如下:1.对VBR视频通信量预测的研究方法和进展进行了综述,重点是神经网络方法.基于这些神经网络方法的成功应用,作者得出了一条结论:用相同压缩算法产生的VBR通信量,在经归一化处理后,将具有相同的时间序列模型.该文采用的梯度径向基函数(GRBF:Gradient Radient Basis Function)模型,以及提出的基于自适应滤波的抽头延迟神经网络TDNN(Tapped Delay Neural Network)模型都是基于这个结论.2.提出把GRBF模型应用于VBR视频通信量预测中,由于采用差分输入,能消除局部平均值变化对预测精度的影响,同常用的基于最小均方差(LMS)的线性模型和静态TDNN模型相比,其预测精度得到明显提高.3.提出基于自适应滤波TDNN预测模型并应用于VBR视频通信量的预测中,该网络训练分为离线学习和在线二次学习两个阶段:离线阶段,神经网络的训练采用基于卡尔曼滤波的训练及删剪算法,通过删除隐层神经元,得到一个结构紧凑的网络拓扑结构,作为下一步在线预测与权重更新的先验知识;在线阶段采用递归最小方差(RLS:Recursive Least Square)算法进行预测与权重更新,以离线阶段得到的权重矢量与协方差矩阵为迭代起点.VBR视频通信量预测的仿真结果表明,同已有的预测方法相比,该模型的预测精度得到明显提高.通过比较可以发现,该模型是对VBR视频通信量预测所期望的精确性与实时性的一个很好的折中.

目录

文摘

英文文摘

第一章引言

第二章相关研究进展综述

§2.1基础知识

§2.1.1可变比特率视频

§2.1.2时间序列预测

§2.1.3人工神经网络

§2.2线性预测方法

§2.2.1 LMS方法

§2.2.2 RLS方法

§2.3神经网络预测方法

§2.3.1 TDNN模型

§2.3.2基于TDNN的自适应神经网络模型

§2.3.3循环神经网络模型

§2.3.4一个重要结论

§2.4他预测方法

第三章GRBF神经网络预测模型

§3.1径向基函数神经网络

§3.1.1基本原理

§3.1.2 OLS算法

§3.1.3 RBF网络在时间序列预测中的应用

§3.2 GRBF神经网络

§3.2.1一阶GRBF网络

§3.2.2高阶GRBF网络

§3.3一阶GRBF网络用于VBR视频通信量预测

§3.4本章小结

第四章基于自适应滤波的TDNN预测模型

§4.1概述

§4.2基础知识

§4.2.1自适应滤波理论

§4.2.2基于卡尔曼滤波的神经网络训练及自适应删剪算法

§4.3基于自适应滤波的TDNN预测模型

§4.3.1非线性时间序列的状态矢量模型

§4.3.2基于自适应滤波的TDNN预测模型

§4.4.1离线学习

§4.4.2在线二次学习

§4.5本章小结

第五章总结与展望

§5.1本文的主要工作

§5.2后续工作展望

参考文献

攻读硕士期间参加的科研项目及发表的学术论文

致谢