资料下载
×
基于RBF网络预测模型优化压缩视频长度王晓东
消耗积分:1 |
格式:pdf |
大小:228KB |
2017-03-08
#Freedom
分享资料个
基于RBF网络预测模型优化压缩视频长度_王晓东
随着网络视频传输技术的不断发展，压缩视频长度的优化 问题成为了热点之一。视频传输过程的建模为压缩视频长度的 选取提供了参考。 目前主要的视频传输建模方法是公式法，利用公式得到压 缩视频长度与传输延时的关系。然而，在实际的视频传输过程 中，传输环境复杂。试图得到一个准确描述视频帧传输过程的 数学公式是比较困难的, 精确度不高。通过公式法建模得到的 压缩视频长度优化程度不高。 RBF 神经网络是一种前向神经网络模型, 它不仅具有全局 最优逼近能力与良好的推广能力, 而且计算量少。设计合理的 RBF 神经网络通过对“压缩视频长度—传输延时”样本对进行 自动学习，能够以任意精度逼近任意复杂的网络视频传输过 程。相比公式法，通过 RBF 网络建模，精确度更高。通过 RBF 神 经网络建模得到的压缩视频长度优化程度更高。 本文就是利用 RBF 神经网络对视频传输系统中压缩视频 长度与传输延时的关系进行建模，在满足延时要求的前提下， 获得尽量大的压缩视频长度。
随着网络视频传输技术的不断发展，压缩视频长度的优化 问题成为了热点之一。视频传输过程的建模为压缩视频长度的 选取提供了参考。 目前主要的视频传输建模方法是公式法，利用公式得到压 缩视频长度与传输延时的关系。然而，在实际的视频传输过程 中，传输环境复杂。试图得到一个准确描述视频帧传输过程的 数学公式是比较困难的, 精确度不高。通过公式法建模得到的 压缩视频长度优化程度不高。 RBF 神经网络是一种前向神经网络模型, 它不仅具有全局 最优逼近能力与良好的推广能力, 而且计算量少。设计合理的 RBF 神经网络通过对“压缩视频长度—传输延时”样本对进行 自动学习，能够以任意精度逼近任意复杂的网络视频传输过 程。相比公式法，通过 RBF 网络建模，精确度更高。通过 RBF 神 经网络建模得到的压缩视频长度优化程度更高。 本文就是利用 RBF 神经网络对视频传输系统中压缩视频 长度与传输延时的关系进行建模，在满足延时要求的前提下， 获得尽量大的压缩视频长度。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
