專利名稱：一種用于測(cè)量用戶業(yè)務(wù)體驗(yàn)質(zhì)量的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及無(wú)線通信領(lǐng)域，尤其涉及一種用于測(cè)量用戶業(yè)務(wù)體驗(yàn)質(zhì)量的方法。
背景技術(shù)：
用戶業(yè)務(wù)體驗(yàn)質(zhì)量或者用戶感知(QoE)是用戶對(duì)無(wú)線網(wǎng)絡(luò)提供的業(yè)務(wù)性能的主觀感受或者為用戶在一定的客觀環(huán)境中對(duì)所使用的服務(wù)或者業(yè)務(wù)的整體認(rèn)可程度。它可以通過(guò)量化的方法來(lái)表示終端用戶對(duì)業(yè)務(wù)與網(wǎng)絡(luò)的體驗(yàn)和感受，并反映當(dāng)前業(yè)務(wù)和網(wǎng)絡(luò)的質(zhì)量與用戶期望之間的差距。無(wú)線通信網(wǎng)絡(luò)服務(wù)的最終目標(biāo)是為用戶提供最好的業(yè)務(wù)體驗(yàn)質(zhì)量?，F(xiàn)有的關(guān)于QoE的研究一般集中在音頻、視頻業(yè)務(wù)。按照是否有用戶直接參與評(píng) 價(jià)及是否給出QoE與其影響因素之間的關(guān)聯(lián)模型可以將現(xiàn)有的評(píng)價(jià)方法分為主觀評(píng)價(jià)方法、客觀評(píng)價(jià)方法及主客觀結(jié)合的方法，其中主客觀結(jié)合的方法又可以稱為偽主觀評(píng)價(jià)方法。偽主觀的評(píng)價(jià)方法結(jié)合了主觀評(píng)價(jià)方法和客觀評(píng)價(jià)方法的優(yōu)點(diǎn).它既有主觀評(píng)價(jià)方法與用戶感知一致的特點(diǎn)，又具有客觀評(píng)價(jià)方法簡(jiǎn)便、可實(shí)時(shí)應(yīng)用、可移植的特點(diǎn)。以移動(dòng)通信業(yè)務(wù)為對(duì)象，從其業(yè)務(wù)的可接入性、可保持性以及完整性入手，采集終端用戶體驗(yàn)質(zhì)量的題本特征，然后與對(duì)應(yīng)的端到端的移動(dòng)通信服務(wù)質(zhì)量指標(biāo)關(guān)聯(lián)，構(gòu)成分層的終端用戶質(zhì)量的評(píng)估體系，通過(guò)大量的實(shí)驗(yàn)，從網(wǎng)絡(luò)側(cè)采集相應(yīng)的移動(dòng)通信服務(wù)質(zhì)量指標(biāo)數(shù)據(jù)，以此作為人工神經(jīng)網(wǎng)絡(luò)的輸入，相應(yīng)的終端用戶體驗(yàn)質(zhì)量的基本特征評(píng)價(jià)作為輸出，完成利用人工神經(jīng)網(wǎng)絡(luò)的建模，在網(wǎng)絡(luò)側(cè)采集用戶呼叫業(yè)務(wù)的網(wǎng)絡(luò)移動(dòng)通信服務(wù)質(zhì)量指標(biāo)作為已建立模型的輸入，即可得到用戶對(duì)移動(dòng)通信業(yè)務(wù)真實(shí)體驗(yàn)的預(yù)測(cè)和評(píng)估。當(dāng)前的基于神經(jīng)網(wǎng)絡(luò)的移動(dòng)通信業(yè)務(wù)用戶體驗(yàn)評(píng)估方案具有如下缺點(diǎn)由于神經(jīng)網(wǎng)絡(luò)存在著收斂速度慢，易陷入局部最小值的問(wèn)題，因此，在利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模的過(guò)程中，模型過(guò)于復(fù)雜且精確度不高。因此，當(dāng)前需要一種改進(jìn)的用于測(cè)量用戶業(yè)務(wù)體驗(yàn)質(zhì)量的技術(shù)方案來(lái)解決上述問(wèn)題。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種用于測(cè)量用戶業(yè)務(wù)體驗(yàn)質(zhì)量的方法，解決了當(dāng)前方案中存在神經(jīng)網(wǎng)絡(luò)存在著收斂速度慢，易陷入局部最小值，導(dǎo)致建模過(guò)程中，模型過(guò)于復(fù)雜且精確度不高的問(wèn)題。為了解決上述問(wèn)題，本發(fā)明提供了一種用于測(cè)量用戶業(yè)務(wù)體驗(yàn)質(zhì)量的方法，其包括根據(jù)用戶業(yè)務(wù)體驗(yàn)質(zhì)量評(píng)價(jià)模型建立級(jí)聯(lián)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，并根據(jù)測(cè)試采集的樣本數(shù)據(jù)庫(kù)對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；判斷所述神經(jīng)網(wǎng)絡(luò)若出現(xiàn)訓(xùn)練輸出不能滿足需求的情況，則通過(guò)粒子群優(yōu)化PSO方式更新粒子的速度和位置，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整，再判斷用戶業(yè)務(wù)體驗(yàn)質(zhì)量QoE的測(cè)試誤差是否滿足預(yù)設(shè)值，若滿足則完成用戶體驗(yàn)質(zhì)量QoE評(píng)價(jià)模型的建立，從而最終完成QoE的測(cè)量。
與現(xiàn)有技術(shù)相比，應(yīng)用本發(fā)明，通過(guò)采用級(jí)聯(lián)結(jié)構(gòu)，根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果來(lái)判斷是否需要啟動(dòng)粒子群算法，以最大程度減少模型的運(yùn)算復(fù)雜度并提高擬合精度。


圖I是本發(fā)明采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；圖2是本發(fā)明的用于測(cè)量用戶業(yè)務(wù)體驗(yàn)質(zhì)量方法的流程圖；圖3是本發(fā)明實(shí)例中無(wú)失真源視頻的示意圖；圖4是本發(fā)明實(shí)例中支持多業(yè)務(wù)的動(dòng)態(tài)仿真平臺(tái)示意圖；圖5是本發(fā)明實(shí)例中無(wú)失真視頻I (akiyo)及其失真視頻的不意圖；圖6是模型輸出結(jié)構(gòu)與用戶主觀評(píng)價(jià)結(jié)果之間MSE的CDF曲線的示意圖；圖7是模型輸出結(jié)果與用戶主觀評(píng)價(jià)結(jié)果比較示意圖。
具體實(shí)施例方式下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明作進(jìn)一步說(shuō)明。本發(fā)明的方法在具體實(shí)現(xiàn)中要通過(guò)系統(tǒng)中各設(shè)備之間信息交互來(lái)進(jìn)行信息和/ 或數(shù)據(jù)的收集，并通過(guò)其內(nèi)的控制器(可以是CPU等進(jìn)行控制處理信息和/或數(shù)據(jù)，本發(fā)明對(duì)此不作任何限定)，其間還可以通過(guò)各種存儲(chǔ)器(可以是內(nèi)存、硬盤或其他存儲(chǔ)設(shè)備)進(jìn)行信息和/或數(shù)據(jù)的儲(chǔ)存和傳送，本發(fā)明對(duì)此不作任何限定。針對(duì)模型建立的過(guò)程，本發(fā)明提出了以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的兩級(jí)級(jí)聯(lián)結(jié)構(gòu)的數(shù)學(xué)模型來(lái)進(jìn)行函數(shù)擬合，該結(jié)構(gòu)主要由兩步組成，首先確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)并使用樣本數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練，當(dāng)神經(jīng)網(wǎng)絡(luò)出現(xiàn)陷入局部最小值的情況或者訓(xùn)練輸出不能滿足需求的時(shí)候，將啟動(dòng)后續(xù)算法，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整，如進(jìn)行后處理等。通過(guò)這類方法，能夠避免陷入局部最小，較快地訓(xùn)練模型直至收斂，并且在保證訓(xùn)練精度的基礎(chǔ)上，盡量的降低運(yùn)算復(fù)雜度，訓(xùn)練樣本數(shù)目足夠多情況下可精確地獲得模型中各個(gè)系數(shù)。本發(fā)明的主要構(gòu)思在于采用級(jí)聯(lián)結(jié)構(gòu)，根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果來(lái)判斷是否需要啟動(dòng)粒子群算法來(lái)進(jìn)行后處理，以最大程度減少模型的運(yùn)算復(fù)雜度并提高擬合精度；通過(guò)計(jì)算級(jí)聯(lián)結(jié)構(gòu)的復(fù)雜度和代價(jià)函數(shù)，來(lái)調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，以及粒子群個(gè)數(shù)、初始化狀態(tài)和行走速度。I.權(quán)值訓(xùn)練如圖I所示一個(gè)三層的神經(jīng)網(wǎng)絡(luò)，它可以通過(guò)節(jié)點(diǎn)、連接權(quán)值、閾值以及節(jié)點(diǎn)激勵(lì)函數(shù)來(lái)確定，其權(quán)值和閾值在訓(xùn)練過(guò)程中進(jìn)行調(diào)整。三層分別為輸入層Ltl、隱含層L1和輸出層L2。輸入層Ltl包含Ntl個(gè)輸入 ，分別為各種影響QoE的因素。L1和L2包含的節(jié)點(diǎn)個(gè)數(shù)分別為N1, N20 Li的第j個(gè)節(jié)點(diǎn)在第η次的迭代中，權(quán)值矩陣可表示為Wi Jn) = [w ；(h), W111;(η),Wif^1 '(η)], η = 0，1，2，· · ·在訓(xùn)練開(kāi)始階段，神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值均被賦予隨機(jī)初始值。L1和Li的第j個(gè)節(jié)點(diǎn)的輸出為( ) = /(Χ Mg) (n)x0m — θη ,(/ι))
m=\
權(quán)利要求
1.一種用于測(cè)量用戶業(yè)務(wù)體驗(yàn)質(zhì)量的方法，其特征在于，包括 根據(jù)用戶業(yè)務(wù)體驗(yàn)質(zhì)量評(píng)價(jià)模型建立級(jí)聯(lián)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，并根據(jù)測(cè)試采集的樣本數(shù)據(jù)庫(kù)對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練； 判斷所述神經(jīng)網(wǎng)絡(luò)若出現(xiàn)訓(xùn)練輸出不能滿足需求的情況，則通過(guò)粒子群優(yōu)化PSO方式更新粒子的速度和位置，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整，再判斷用戶業(yè)務(wù)體驗(yàn)質(zhì)量QoE的測(cè)試誤差是否滿足預(yù)設(shè)值，若滿足則完成用戶體驗(yàn)質(zhì)量QoE評(píng)價(jià)模型的建立，從而完成QoE的測(cè)量。
2.如權(quán)利要求I所述的方法，其特征在于， 所述根據(jù)用戶業(yè)務(wù)體驗(yàn)質(zhì)量評(píng)價(jià)模型建立級(jí)聯(lián)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)，并根據(jù)測(cè)試采集的樣本數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練的步驟，包括 建立三層的神經(jīng)網(wǎng)絡(luò)，其通過(guò)節(jié)點(diǎn)、連接權(quán)值、閾值以及節(jié)點(diǎn)激勵(lì)函數(shù)來(lái)確定，所述權(quán)值和閾值在訓(xùn)練過(guò)程中進(jìn)行調(diào)整，三層分別為輸入層Ltl、隱含層L1和輸出層L2，輸入層Ltl包含Ntl個(gè)輸入x。=Iaj,，分別為影響QoE的因素A和L2包含的節(jié)點(diǎn)個(gè)數(shù)分別為N1, N2 ;第i層(i = 0，1，. . .，IOLi的第j個(gè)節(jié)點(diǎn)在第η次的迭代中，權(quán)值矩陣表示為 ;( ) = [itf/(n),M-f)(n),...,w^'-'}(n)]. η = 0，1，2，· · ·； 通過(guò)測(cè)試采集的樣本數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練的開(kāi)始階段，該神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值均被賦予隨機(jī)初始值山和Li的第j個(gè)節(jié)點(diǎn)的輸出為
3.如權(quán)利要求2所述的方法，其特征在于， 所述通過(guò)測(cè)試采集的樣本數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練中采用的f為該節(jié)點(diǎn)的S型激勵(lì)函數(shù)，表示為
4.如權(quán)利要求2所述的方法，其特征在于， 所述判斷所述神經(jīng)網(wǎng)絡(luò)若出現(xiàn)訓(xùn)練輸出不能滿足需求的情況，是指判斷若進(jìn)行訓(xùn)練的代價(jià)函數(shù)大于訓(xùn)練代價(jià)函數(shù)的期望值％ ,則通過(guò)PSO方式更新粒子的速度和位置，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整。
5.如權(quán)利要求2所述的方法，其特征在于， 所述通過(guò)粒子群優(yōu)化PSO方式更新粒子的速度和位置，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整的步驟，包括 根據(jù)以下公式更新粒子的速度和位置 xk(t+l) = a vk (t) + β prpPk (t) + β grggk (t), xk(t+l) = xk(t)+vk(t+l), 其中，α是一個(gè)正常數(shù)，稱為慣性權(quán)重，βρ，38是兩個(gè)正常數(shù)，rp，rg稱為學(xué)習(xí)因子，是在
中服從均勻分布的隨機(jī)數(shù)；其中粒子群P= {Pl，P2，...，Pk}，即粒子群由K個(gè)粒子組成，一個(gè)粒子通過(guò)其所在的位置和速度來(lái)描述，粒子P1在d維空間的位置將被賦予神經(jīng)網(wǎng)絡(luò)的權(quán)值，表示為Xi⑴=(Wqq, W01,...,JVf N ) G Clx^''t = O，其他粒子分別表示為xk(t)，k = 12，3，. . .，K，并被賦予隨機(jī)初始值，其中級(jí)聯(lián)結(jié)構(gòu)中粒子的維度d由神經(jīng)網(wǎng)絡(luò)的變量個(gè)數(shù)決定d = (N0+1) · N1+(N1+!) · N2 ； 其中，HN2分別為輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)；粒子速度表示為vk(t)，k =.1,2, ... , K, t = O,并被賦予隨機(jī)初始值；粒子pk的個(gè)體極值表示為Pk，即Pk是粒子Pk當(dāng)前所發(fā)現(xiàn)的最好解，Pk的局部極值表示為gk，即gk是粒子Pk的近鄰當(dāng)前所發(fā)現(xiàn)的最好解；粒子在解空間內(nèi)不斷跟蹤個(gè)體極值與局部極值進(jìn)行搜索，直到滿足算法的終止條件為止。
全文摘要
本方案涉及一種用于測(cè)量用戶業(yè)務(wù)體驗(yàn)質(zhì)量的方法包括根據(jù)用戶業(yè)務(wù)體驗(yàn)質(zhì)量評(píng)價(jià)模型建立級(jí)聯(lián)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，并根據(jù)測(cè)試采集的樣本數(shù)據(jù)庫(kù)對(duì)其訓(xùn)練；判斷所述神經(jīng)網(wǎng)絡(luò)出現(xiàn)訓(xùn)練輸出不能滿足需求的情況則通過(guò)粒子群優(yōu)化PSO方式更新粒子的速度和位置，對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行調(diào)整，再判斷用戶業(yè)務(wù)體驗(yàn)質(zhì)量QoE的測(cè)試誤差是否滿足預(yù)設(shè)值，若滿足則完成用戶體驗(yàn)質(zhì)量QoE評(píng)價(jià)模型的建立，最終完成QoE的測(cè)量。本方案通過(guò)該級(jí)聯(lián)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果判斷是否需要啟動(dòng)PSO算法，最大程度減少模型的運(yùn)算復(fù)雜度并提高擬合精度，解決了現(xiàn)有神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部最小值及模型過(guò)于復(fù)雜精確度不高的問(wèn)題。
文檔編號(hào)H04W24/00GK102946613SQ201210382539
公開(kāi)日2013年2月27日 申請(qǐng)日期2012年10月10日 優(yōu)先權(quán)日2012年10月10日
發(fā)明者鄭侃, 賀媛, 王文博 申請(qǐng)人:北京郵電大學(xué)