VBR(Variab le B itRate)视频信号具有时变性、非线性和突发性等特点,实现该信号通信量的高精度预测是提高信息传输速度和提高网络带宽资源利用效率的重要手段.针对以上问题,本文提出了一种用于VBR视频通信量预测的差分输入支持向量机(S...VBR(Variab le B itRate)视频信号具有时变性、非线性和突发性等特点,实现该信号通信量的高精度预测是提高信息传输速度和提高网络带宽资源利用效率的重要手段.针对以上问题,本文提出了一种用于VBR视频通信量预测的差分输入支持向量机(SVM:SupportVectorM achine)网络模型.该网络模型采用结构风险最小化准则,在最小化经验风险的同时,尽量缩小模型预测误差的上界,从而使网络模型具有更好的推广能力.实验结果表明:支持向量机网络模型的预测误差为0.0018,而梯度径向基函数(G rad ient Rad ial Basis Function:GRBF)神经网络模型的预测误差为0.0029.可以看出,支持向量机网络模型的预测精度要比GRBF网络模型的预测精度高出大约40%.展开更多
针对VBR编码视频流传输时造成的资源需求的高可变性和资源利用的不平衡性,提出一个新颖算法BSBS-VBR(buffer sharing and bandwidth smoothing of VBR streams)。通过提前计算并预取最小所需的视频数据量,使服务器以固定码率获取并传输...针对VBR编码视频流传输时造成的资源需求的高可变性和资源利用的不平衡性,提出一个新颖算法BSBS-VBR(buffer sharing and bandwidth smoothing of VBR streams)。通过提前计算并预取最小所需的视频数据量,使服务器以固定码率获取并传输VBR编码视频;使用间隔缓存策略,根据系统当前资源状态为新请求分配资源,并根据当前访问分布以及可用资源对已分配缓存进行动态调整,保持资源平衡分配。该算法可减少服务器资源的峰值需求,平滑资源使用,提高资源利用率,扩大可服务用户数量。通过实验进行了验证。展开更多
文摘VBR(Variab le B itRate)视频信号具有时变性、非线性和突发性等特点,实现该信号通信量的高精度预测是提高信息传输速度和提高网络带宽资源利用效率的重要手段.针对以上问题,本文提出了一种用于VBR视频通信量预测的差分输入支持向量机(SVM:SupportVectorM achine)网络模型.该网络模型采用结构风险最小化准则,在最小化经验风险的同时,尽量缩小模型预测误差的上界,从而使网络模型具有更好的推广能力.实验结果表明:支持向量机网络模型的预测误差为0.0018,而梯度径向基函数(G rad ient Rad ial Basis Function:GRBF)神经网络模型的预测误差为0.0029.可以看出,支持向量机网络模型的预测精度要比GRBF网络模型的预测精度高出大约40%.
文摘针对VBR编码视频流传输时造成的资源需求的高可变性和资源利用的不平衡性,提出一个新颖算法BSBS-VBR(buffer sharing and bandwidth smoothing of VBR streams)。通过提前计算并预取最小所需的视频数据量,使服务器以固定码率获取并传输VBR编码视频;使用间隔缓存策略,根据系统当前资源状态为新请求分配资源,并根据当前访问分布以及可用资源对已分配缓存进行动态调整,保持资源平衡分配。该算法可减少服务器资源的峰值需求,平滑资源使用,提高资源利用率,扩大可服务用户数量。通过实验进行了验证。