冯京燕
江苏科技大学 经济管理学院 212000
摘要：随着无线宽带网络的升级以及智能终端的普及，越来越多的用户选择在移动智能终端上用客户端APP观看网络视频。看网络视频影响用户体验的两个关键指标是初始缓冲等待时间和视频播放过程中卡顿缓冲时间，用“初始缓冲时延”和“卡顿时长占比”来定量评价用户体验。研究表明影响初始缓冲时延的两个关键因素是：初始缓冲峰值速率和端到端环回时间（E2E RTT）；影响卡顿时长占比的主要因素是播放阶段平均下载速率。因此研究它们之间的具体函数关系对用户体验评价有着重要的意义。
关键词：BP神经网络，遗传优化，权值和阈值，MATLAB
1.引言
目前的视频质量评估体系中，按照用户是否直接观看视频进行评分，将视频流质量评估方法分为主观质量评估方法和客观质量评估方法[3]。视频主观质量评估方法是选择一批测试者，让他们在一个特定的受控环境中，按照已规定的评判标准对视频质量打分评价，并对所得分数进行统计分析，所得结果即为视频主观评价的平均意见分MOS。
用户体验标准vMOS是基于语音MOS值提出的视频video的MOS分评定，它是视频片源清晰度、视频初始缓冲、视频卡顿等业务的综合。集“视频源质量、播放过程中的初始时延、卡顿占比、视频播放时长”来对整个视频体验进行MOS打分。vMOS计算所需参数包括：缓冲相关因子（初始缓冲时延、视频播放时长、卡顿时长占比）和视频源相关因子（视频码率、视频分辨率、编码算法、编码等级）两部分。
本文采用基于遗传算法的BP神经元网络进行建模，并找出以上两种映射关系。
2.研究内容
应题目要求利用实测数据建立用户体验评价变量（初始缓冲时延，卡顿时长占比）与网络侧变量（初始缓冲峰值速率，播放阶段平均下载速率，E2E RTT）之间的函数关系。对附件提供的实测数据进行筛选分析，得出影响用户体验评价变量——初始缓冲时延的相关信息和主要影响因子，并对后者构建相应的数学模型和指标体系，以方便进行研究。同时，讨论这些影响因子所占权重，并且对所构建的模型进行误差分析，确保其精确性、科学性以及代表性。最后，将所建模型推广应用。
将题目给出的大量原始数据采用Excel，依据“初始缓冲得分（SLS）”分为四类：
（1）当1<=SLS<2时，总共1298组数据，其中1100组用于训练，198组用于验证；
（2）当2<=SLS<3时，总共2949组数据，其中2800组用于训练，149组用于验证；
（3）当3<=SLS<4时，筛选出的数据组很多，本次建模选取其中代表性的4000组作为该范围的总基数，将3900组用于训练，100组用于验证；
（4）当4<=SLS<5时，筛选出的数据组也比较多，同（3）取法一致，总基数选取4000组，其中3900组用于训练，100组用于验证。
分析每类数据组中初始缓冲时延与初始缓冲峰值速率和E2E RTT的关系，以及这两个相关因子的权重，进而采用MATLAB对训练组的数据进行迭代、预测并求解误差，最后再利用验证组的数据判断模型的精确性和合理性，最后求出神经元网络表达式。
3.研究结果
本案例中，由于拟合非线性函数有2个输入参数和1个输出参数，所以设置的BP神经网络结构为2-5-1，即输入层有2个节点，隐含层有5个节点，输出层有1个节点，共有2×5+1×5=15个权值，5+1=6个阈值，所以遗传算法个体编码长度为16+5=21。将按照SLS大小事先分好的四类数据组带入MATLAB进行计算，根据遗传算法和BP神经网络理论，在MATLAB软件中编程实现基于遗传算法优化的BP神经网络非线性系统拟合算法。遗传算法参数设置为：种群规模10，进化次数30次，交叉概率0.4，变异概率0.2[4]。把训练数据组预测误差绝对值和作为个体适应度值，个体适应度值越小，该个体越优。把遗传算法得到的最优个体赋给BP神经网络，用该网络拟合非线性函数。
（1）当1<=SLS<2时，经过迭代寻优，遗传算法优化过程中最优个体适应度值变化，当终止进化迭代次数设置为30时，个体的平均适应度收敛效果好，最低达到242，即说明训练数据组的误差绝对值和逐渐减小，个体趋于优化模式。把此时得到BP神经网络最优初始权值和阈值赋给神经网络，用训练数据组训练1100次后预测非线性函数输出。
根据BP神经网络模型，用MATLAB提取SLS模型内部的表达式simy，即可得到：当1<=SLS<2时，初始缓冲时延与初始缓冲峰值和端到端环回时间（E2E RTT）关系的非线性函数表达式如下：
（2）当2<=SLS<3时，经过迭代寻优，遗传算法优化过程中最优个体适应度值变化最低达到998.7。把此时得到BP神经网络最优初始权值和阈值赋给神经网络，用训练数据组训练2800次后预测非线性函数输出，遗传算法优化的BP神经网络预测误差值都在0附近波动，最大预测的均方误差为1.9×103，最小仅有9，故验证了该方法的有效性。
（3）当3<=SLS<4时，经过迭代寻优，最低达到713。把此时得到BP神经网络最优初始权值和阈值赋给神经网络，用训练数据组训练3900次后预测非线性函数输出，遗传算法优化的BP神经网络预测误差值都在0附近波动，最大预测的均方误差为550，最小仅有4，故验证了该方法的有效性。
（4）当4<=SLS<5时，经过迭代寻优，最低达到714.9。把此时得到BP神经网络最优初始权值和阈值赋给神经网络，用训练数据组训练3900次后预测非线性函数输出，遗传算法优化的BP神经网络预测误差值都在0附近波动，最大预测的均方误差为320，最小仅有3，故验证了该方法的有效性。
4.总结
为了探究观看网络视频影响用户体验的两个关键指标——初始缓冲时延和卡顿时长占比的影响因素，我们做了以下工作：
（1）查找相关文献及在线资料，了解网络视频用户体验评价的背景以及vMOS评价机理与指标。了解到影响初始缓冲时延的两个关键因素是：初始缓冲峰值速率和端到端环回时间（E2E RTT）；影响卡顿时长占比的主要因素是播放阶段平均下载速率。
（2）通过MATLAB软件的编程计算，得出了初始缓冲时延与初始缓冲峰值和端到端环回时间（E2E RTT）之间的函数关系表达式；
参考文献
[1]Simon Haykin. 神经网络原理[M].北京：机械工业出版社，2004.
[2]王学会.遗传算法和BP网络在发酵模型中的应用[D].天津：天津大学，2007.
[3]廖露华.手机视频体验评估及建网方法研究[J].电信工程技术与标准化，2017（3）：44-46.
[4]余立雪.神经网络与实例学习[M].北京：中国铁道出版社，1996.
作者简介：冯京燕，江苏科技大学经济管理学院会计专业
论文作者:冯京燕
论文发表刊物:《建筑科技》2017年第19期
论文发表时间:2018/2/3
标签：神经网络论文; 算法论文; 数据论文; 误差论文; 视频论文; 函数论文; 阈值论文; 《建筑科技》2017年第19期论文;