基于贝叶斯分类器的实时视频优化传输方法

通用UDP协议传输实时视频时存在延时较长的问题。为此,提出一种基于贝叶斯分类器的自适应视频实时传输方法。在发送图像数据前进行帧内压缩,压缩过程根据网络的实时带宽调整压缩质量因子,进行分组发送。在接收端进行数据包重组并解码,利用贝叶斯准则得出自适应调整的阈值,对使用自适应算法与使用固定因子情况下产生的延时进行比较,分析延时产生的原因。实验结果表明,该方法由于优化了传输数据队列的长度,在不增加网络延时的情况下,局部时间内提高了视频图像的传输质量。     

一种基于TCP的实时视频传输延时预测模型*

针对TCP重传易导致延时抖动大、降低流媒体播放质量的问题,提出了使用TCP传输实时视频时,播放质量不受TCP重传影响的必要条件,即视频帧发送延时、播放缓冲区延时与网络往返时间需要满足一定的关系式。建立了视频帧发送延时的预测模型,该模型通过输入视频帧长度、丢包率、网络往返时间、TCP拥塞窗口大小与TCP超时重传时间,预测视频帧的发送延时。NS2模拟结果表明,可以通过发送延时的预测值来判断视频帧是否适合采用TCP传输。     

基于组合算法的RBF神经网络列车轮对缺陷识别

提出了一种基于动态聚类和遗传算法相结合的组合RBF网络训练方法;采用动态聚类法对样本数据进行聚类,使RBF神经网络的隐含层节点中心数在训练过程中自动确定,使用经验公式作为标准,选取最优聚类数,采用遗传算法对隐层中心和宽度以及隐层到输出层的权值进行优化,在全局范围内寻找网络的最优模型;最后对轮对缺陷进行纹理特征提取,并组成训练样本和测试样本,输入到网络进行训练与测试;实验结果表明,与传统方法比较,该组合方法具有较高的识别率。     

基于网络丢包的网络视频质量评估

针对传统的视频质量评估模型对于在包交换网络中传输的压缩视频（网络视频）进行质量评估的局限性,如对视频质量进行评估时实时性差、没考虑人眼的视觉感知等问题,提出了一种基于网络丢包的网络视频质量评估模型。该模型采用了统计学理论,它可根据视频编码、封装传输的特点,通过可量化的评价指标来评定视频质量受网络丢包的影响程度,以评估网络视频质量。利用该模型进行网络视频质量评估,不仅资源开销小、实时性好,而且特别适合对实时传输的视频流进行视频质量评估。为了验证该模型的正确性与可靠性,采用它与MPQM模型分别对受系列丢包率影响的视频序列进行了评估实验。实验结果表明,该模型的评价结果能较好地吻合MPQM模型的评价结果,且符合人眼的视觉效果。     

基于网络编码的多射频Mesh网组播时延建模与分析

网络编码在提高多射频无线Mesh网组播吞吐量的同时也增加了组播传输时延.针对该问题,在建模分析基于网络编码的多射频无线Mesh网组播传输时延特征的基础上,设计了平均组播传输时延(AMTD)的计算方法并给出时延整体优化方案.首先提出1个由双排队系统串联构成的多射频组播模型.其次,运用该模型对组播传输时延特征进行分析,通过计算每个排队系统平均等待时间之和给出AMTD计算公式,得到时延与各网络参数之间的量化关系.最后通过理论分析和仿真实验指明如何调整多个网络参数以优化平均组播传输时延.结果表明,网络状态确定时,同样的射频比例在不同网络编码体积下未必总是最优,应用提出的AMTD公式恰当调整射频用于收?发的比值,可以最优化平均组播传输时延.     

能量受限条件下率失真性能优化机制研究

视频编码率失真性能的研究一般没有考虑到能量对率失真(RD)性能的影响。本文针对WSNs节点如何分配计算能耗与传输能耗,使得视频信号RD性能最好的问题展开了研究。首先建立了压缩与传输部分的功耗-率-失真模型,并由此得到系统的功耗-率-失真模型。随后通过数值方法,分析了压缩功耗与系统失真之间关系。实验结果表明存在一个最优的压缩功耗PS值,使得系统的失真度最小。     

基于神经网络的无缓冲数字系统延时控制模型

传统的数字系统延时控制过程不能对系统的时间延迟进行准确预测,导致其存在拟合率低、网络传输延时过长和负载率低的问题.为解决上述问题,基于神经网络设计了新的无缓冲数字系统延时控制模型.使用时间戳技术记录采集到的数据包时间,并根据延时预测器预测在线网络延时.采用神经网络SMITH预估结果对无缓冲数字系统延时进行预估补偿,在SMITH估计模型的基础上构建无缓冲数字系统延时控制模型.通过PIP控制算法获得无缓冲数字系统延时控制模型的最优解.实验结果表明,上述模型的拟合率和负载率均较高,且能够有效减少网络传输延时,充分说明了上述模型的有效性.     

采用中心聚类与PSO的RBF网络设计方法

基于中心聚类法与微粒群（PSO）优化方法,提出一种径向基函数（RBF）网络的设计算法。算法采用中心聚类方法对输入样本数据进行聚类处理,自适应地确定RBF网络隐含层的初始参数;利用修正全局最优解计算方法的经典PSO算法优化RBF网络隐含层参数,进一步修正网络结构参数;输出层权值采用带遗忘因子的递推最小二乘算法在线更新。采用该方法建立炼铁过程中烧结矿成分与转鼓强度关系的预测模型,并用现场数据加以验证;实验结果表明该方法收敛速度快,所建立的模型具有较高的预测精度,可用于复杂非线性系统建模。     

基于Java的实时流媒体传输自适应调节方法和实现

文章介绍了RTP、RTCP等网络传输协议。对网络视频传输的各种控制方式进行了阐述,分析了影响制约视频传输的主要因素,丢包率、延时和延时抖动是对流媒体传输质量的主要评价指标。通过研究,引进了一种自适应视频码率调节方式,本方法对传统的视频传输控制方法AIMD(Additive Increase Multiplicative Decrease,和式增加,积式减少)方式进行了改进,减少了由于AIMD调节过程中产生的视频的剧烈抖动,保证了视频传输过程的稳定性和连续性。并且在客户端采用了双缓冲技术,可以降低视频传输的抖动影响,减少了视频传输中画面的停顿和闪动,保证了视频播放的流畅性,提高了用户体验。最后运用Java语言的JMF(Java Media Framework)技术,对上述方法进行了编程实现,实现了在Java下的视频自适应传输,通过实际测试,此方案在画质和丢包率方面得到了明显的改善。     

基于OPNET的片上网络路由算法的建模与仿真

随着电路集成程度的快速发展,集成电路中传输的数据量也随之增加.传统的传输总线受带宽不足的影响,传输延时明显增大,片上网络很好的解决了这一问题.片上网络路由算法的设计决定了片上网络的性能,对一种自适应性片上网络路由算法进行建模及仿真,来分析其性能指标.首先介绍了片上网络的发展与优势;然后提出了一种高效的自适应路由算法并对其进行了详细阐述;之后结合最常用的网络拓扑结构,应用OPNET仿真软件建立三层仿真模型;最后对上述模型进行仿真,观察在大量数据包涌入网络时,所提算法处理数据包选择路径的能力.在延时性能上,所建立的路由模型远远优于传统的确定性路由算法.     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

一种新型的广义RBF神经网络及其训练方法

提出一种新型的广义RBF神经网络模型,将径向基输出权值改为权函数,采用高次函数取代线性加权.给出网络学习方法,并通过仿真分析研究隐单元宽度、权函数幂次等参数的选取对网络逼近精度以及训练时间的影响.结果表明,和传统的RBF神经网络相比,该网络具有良好的逼近能力和较快的计算速度,在系统辨识和控制中具有广阔的应用前景.     

Efficient compression and network adaptive video coding for distributed video surveillance

The availability of cheap network based video cameras and the prevalence of wireless networks has lead to a major thrust towards deployment of large scale Distributed Video Surveillance (DVS) systems. This has opened up an important area of research to deal with the issues involved in DVS system for efficient collection and transmission of large scale video streams from the cameras at the guarded sites, to the end users in possibly constrained network conditions. In this paper, we propose a framework based on content-based video classification and scalable compression scheme to provide a robust bandwidth efficient video transmission for DVS. The scheme builds on a Discrete Wavelet Transform (DWT) based Color-Set Partitioning for Hierarchical Trees (CSPIHT) coding to obtain a scalable bitstream. Wavelet domain segmentation and compression assists in development of a DVS architecture. The architecture includes a novel module for dynamic allocation of Network bandwidth based on the current available resources and constraints. Different frame constituents are optimally coded based on their relative significance, perceptual quality, and available estimate of network bandwidth. Experimental result over different video sequences and simulations for Network conditions demonstrate the efficient performance of the approach.     

矿用实时视频传输系统设计

针对现有煤矿井下视频传输系统存在视频清晰度低、传输速率不稳定、兼容性差等问题,设计了一种矿用实时视频传输系统。该系统采用960 nm红外激光作为辅助光源,利用MCCD图像传感器采集视频信号,提高了低光照强度或黑暗环境下视频清晰度;通过视频解码模块TVP5150将采集的PAL制式模拟视频信号转换为YUV数字信号,数字信号经多格式编码器进行H.264压缩编码,并在此基础上添加UDP报文头进行RTP封装,提高了视频数据传输的时效性;通过Live555流媒体服务器进行数据流化,使用ONVIF标准封装RTSP视频流,通过Socket网络编程实现实时视频流数据网络传输,提高了系统兼容性和传输速率稳定性。测试结果表明,该系统视频传输速率为2.190 Mbit/s,丢包率约为1.256%,达到实时视频传输要求。     

基于PCA和RBF网络的故障诊断技术及其应用研究

针对设备运行状态和特征参数之间存在的复杂非线性关系,提出了基于主成分分析的RBF神经网络故障诊断方法;该方法用主成分分析方法将高维相关特征参数转化为低维互不相关的特征参数,在此基础上建立了RBF网络分类器;用该网络对某汽轮机减速箱的运行状态进行识别,理论分析和实验结果表明,基于PCA和RBF网络方法的诊断技术具有模型简单、检测速度快等优点,可以在实际应用中发挥有效作用。     

带长度约束的k端网络可靠性分析

在网络视频和实时通信应用中需要研究带长度约束的k端网络可靠性分析问题,即任意两端点之间在给定时间延迟D约束内的k端网络可靠性。对带长度约束的k端网络可靠性问题进行了研究,主要是在传统不带路径约束的双端和k端网络可靠性研究基础上,提出了基于截断的路径约束方法;并根据该方法构造二元决策图BDD模型进行带约束的k端网络可靠性分析。该算法针对k端点对点信息流在一定时间延迟下完成传输问题,具有较强的实际意义。实例分析结果验证了本方法的可行性和有效性。     

改进ASMDE算法和RBFNN的配电网线损计算

针对中压配电网结构复杂,运行数据不全,常规网损计算方法难以实施的问题,提出了一种配电网线损的实用计算方法。利用RBF神经网络的强拟合特性,映射配电线路的特征参量与线损之间复杂的非线性关系,记忆配电线路在结构参数和运行参数变化时线损的变化规律,建立了基于RBF神经网络的线损计算模型。采用改进的自适应二次变异差分进化（ASMDE）算法,对RBF神经网络的结构参数进行整体优化,克服了常规算法隐含层与输出层结构参数分开确定,输出层易陷入局部极小的缺点。实例仿真验证了所提方法的有效性和实用性。     

基于IP网络的音视频传输系统的设计与实现

本文提出了一种新的音频和视频传输系统的设计方案。该方案主要包括通信功能模块,音频的录制、压缩、传输和播放功能模块以及视频的采集、压缩、传输、回放和本地视频的图像效果调节功能模块的设计与实现过程。在通信功能模块的实现中,将快速连接方式和隧道机制的思想应用于呼叫模块中,减少了通信时间。音视频传输模块则采用基于UDP的RTP/RTCP协议实现,保证了音视频流传输的时实性和连续性,避免了分组丢失,确保了分组的有序传输。并对据此方案实现的软件进行了实验,效果满意。     

Progressive Transfer Learning-based Deep Q Network for DDOS Defence in WSN

In The Wireless Multimedia Sensor Network (WNSMs) have achieved popularity among diverse communities as a result of technological breakthroughs in sensor and current gadgets. By utilising portable technologies, it achieves solid and significant results in wireless communication, media transfer, and digital transmission. Sensor nodes have been used in agriculture and industry to detect characteristics such as temperature, moisture content, and other environmental conditions in recent decades. WNSMs have also made apps easier to use by giving devices self-governing access to send and process data connected with appropriate audio and video information. Many video sensor network studies focus on lowering power consumption and increasing transmission capacity, but the main demand is data reliability. Because of the obstacles in the sensor nodes, WMSN is subjected to a variety of attacks, including Denial of Service (DoS) attacks. Deep Convolutional Neural Network is designed with the state-action relationship mapping which is used to identify the DDOS Attackers present in the Wireless Sensor Networks for Smart Agriculture. The Proposed work it performs the data collection about the traffic conditions and identifies the deviation between the network conditions such as packet loss due to network congestion and the presence of attackers in the network. It reduces the attacker detection delay and improves the detection accuracy. In order to protect the network against DoS assaults, an improved machine learning technique must be offered. An efficient Deep Neural Network approach is provided for detecting DoS in WMSN. The required parameters are selected using an adaptive particle swarm optimization technique. The ratio of packet transmission, energy consumption, latency, network length, and throughput will be used to evaluate the approach’s efficiency.     

一种改进的在线自适应模块化神经网络

针对在线模块化神经网络难以实时有效划分样本空间,提出一种改进的在线自适应模块化神经网络.首先,基于距离与密度实时更新样本局部密度及RBF神经元中心,实现样本空间在线划分;然后,将子网络模块数根据划分样本空间的个数进行自适应增减,每个子网络模块对属于对应样本空间的样本进行学习;最后,集成模块对子网络模块的输出结果进行集成,输出最终结果.针对在线梯度下降法要求样本有足够的随机性问题,提出一种具有固定记忆的在线梯度下降法对网络进行在线学习.通过对典型非线性时变系统及污水处理过程中出水氨氮浓度进行预测,验证了该模块化神经网络能够实时有效地更新RBF神经元中心,并减少学习过程中子网络模块不必要的增减,且网络结构更加简洁,能够准确预测不同的时变系统.