基于模糊控制的OTT視頻質(zhì)量評估方法

1、基于模糊控制的OTT視頻質(zhì)量評估方法劉輝 壽國礎(chǔ)信息與通信工程學(xué)院網(wǎng)絡(luò)體系構(gòu)建與融合北京市重點實驗室北京郵電大學(xué)中國，北京摘要：關(guān)鍵字：一、 引言隨著信息時代的不斷推進，新的多樣性信息服務(wù)大量涌現(xiàn)，OTT（Over the top）視頻作為新興的媒體形態(tài)在近段時間內(nèi)迅猛發(fā)展，受到人們的廣泛關(guān)注。據(jù)市場研究機構(gòu)Digital TV Research的報告指出，全球OTT 視頻業(yè)務(wù)將在近幾年快速發(fā)展，其中中國作為最大的智能終端存量市場，互聯(lián)網(wǎng)電視用戶數(shù)發(fā)展速度將領(lǐng)先全球，有望在2016年突破一億，整個OTT視頻產(chǎn)業(yè)收入也將會從2010年的5000萬美元增長到2016年的13.8億美元。OTT視頻也

2、由其開闊的市場和廣泛的應(yīng)用，被視為未來視頻的主要發(fā)展方向。OTT視頻通過因特網(wǎng)傳輸視頻，與傳統(tǒng)的IPTV不同，它不需要運營商提供專用網(wǎng)絡(luò)或基礎(chǔ)設(shè)施，而是通過普通的因特網(wǎng)數(shù)據(jù)協(xié)議和開放的因特網(wǎng)在非管理型的網(wǎng)絡(luò)中傳輸，且用基于TCP的HTTP協(xié)議傳輸數(shù)據(jù)，便于管理的同時保證視頻畫面質(zhì)量，較大程度的提高了用戶體驗。然而，OTT視頻的運營在為人們帶來便利的同時，也產(chǎn)生了一些問題。OTT視頻通過因特網(wǎng)傳輸數(shù)據(jù)，TCP吞吐量由于網(wǎng)絡(luò)中的各種損傷而受到影響。當TCP吞吐量比OTT視頻播放速率小時，視頻就會出現(xiàn)不間斷的暫停現(xiàn)象，等待新的數(shù)據(jù)。這使得OTT視頻的傳輸必須依賴于良好的網(wǎng)絡(luò)性能。好的網(wǎng)絡(luò)狀態(tài)為用戶帶

3、來高質(zhì)量的視頻體驗，差的網(wǎng)絡(luò)狀態(tài)很大程度上影響用戶視覺感受，用戶體驗質(zhì)量QOE（Quality of Experience）也因此降低。隨著OTT視頻用戶的不斷增長，人們對視頻QOE的要求也越來越高。為了滿足用戶需求，提高用戶QOE，對OTT視頻的質(zhì)量進行評估和監(jiān)測具有重大的意義。 目前，網(wǎng)絡(luò)視頻質(zhì)量的評估主要有兩種方法：主觀評估和客觀評估。主觀評估是通過人的視覺系統(tǒng)對視頻的質(zhì)量權(quán)衡和評估，這對視頻質(zhì)量的判定是決定性的?？陀^評估則是忽略人類視覺感知，通過算法和計算得出的智能評價結(jié)果，傳統(tǒng)的客觀評估方法有峰值信噪比（PSNR），結(jié)構(gòu)相似度（SSIM），均方誤差（MSE）等。主觀評估和客觀評估結(jié)果

4、即用戶QOE，一般是用平均意見MOS值表示，從1到5，“1”代表最差，“5”代表最好。針對網(wǎng)絡(luò)視頻的主觀評估方法，主要通過若干組經(jīng)過訓(xùn)練或未經(jīng)訓(xùn)練的用戶觀看特定的視頻內(nèi)容，然后給出視頻質(zhì)量的評價結(jié)果。針對客觀評估方法，相關(guān)學(xué)者提出了不同的算法和模型：1中提出了一種卷積神經(jīng)網(wǎng)絡(luò)客觀評估視頻的方法，通過訓(xùn)練達到自主評價視頻質(zhì)量的效果。2利用多元回歸模型客觀評估視頻QOE，并同時考慮到視頻和音頻效果。3和4基于編解碼器帶來的視頻畫面扭曲給視頻評估模型，而5和6則基于視頻內(nèi)容進行評估。7分析了人視覺接受視頻圖片的瞬間效果與視頻質(zhì)量感知之間的關(guān)系，瞬間效果相關(guān)指標由8給出建議。9探究了數(shù)據(jù)丟失對MPEG

5、-2視頻質(zhì)量的影響，而MPEG-2和IPTV的感知質(zhì)量的影響因素在10進行了描述。11通過實驗探究網(wǎng)絡(luò)QOS如何影響用戶視覺感知質(zhì)量。然而，這些方法或者只適合特定條件下的視頻評估，或者只是專注于視頻評估指標、用戶視覺等某一方面的研究，對于新興媒體形態(tài)OTT視頻并不完全適用，所以需要我們尋求一種新的評估方法。在這篇論文中，結(jié)合OTT視頻的特點，我們給出了一種基于模糊控制的質(zhì)量評估方法，目的在于將模糊控制的原理用到OTT視頻質(zhì)量評估上，實現(xiàn)更加接近視覺感知的用戶QOE。文章分析了網(wǎng)絡(luò)層QOS、應(yīng)用層QOS、到用戶QOE之間的層次關(guān)系，選取每層的最重要的性能指標建立三層QOE模型。以網(wǎng)絡(luò)層指標作為輸

6、入，利用映射層次映射關(guān)系，計算出應(yīng)用層的QOS參數(shù)值，然后利用模糊算法，建立模糊控制模型，通過參數(shù)模糊化、模糊推理、清晰化等過程，輸出最終的視頻質(zhì)量評估MOS值。論文的主要貢獻主要分為兩個方面：此前的網(wǎng)絡(luò)視頻客觀評估研究大多集中在網(wǎng)絡(luò)層QOS與應(yīng)用層QOS的映射關(guān)系或指標探究方面，而忽略了應(yīng)用層QOS到用戶QOE的復(fù)雜關(guān)系和計算。本文利用模糊控制原理，在前人研究的基礎(chǔ)上，詳細的探討了應(yīng)用層QOS到用戶QOE之間的映射，并計算出最終評估結(jié)果MOS值。其次，在模糊控制模型中，我們建立了應(yīng)用層性能指標到MOS值的映射庫，用于模糊控制器中，將計算機過與主觀評估值實驗數(shù)據(jù)對比，并利用Spearman 和

7、 Pearson兩種方法計算出得到高達“”的平均相似度，得出智能的評估結(jié)果。論文的第二部分介紹了模糊控制原理，詳細分析了模糊控制器的功能和結(jié)構(gòu)；第三部分簡單分析了QOE三層模型的層析關(guān)系，然后建立模糊控制模型，計算模型的輸入?yún)?shù)值，建立映射庫，模糊控制分析、計算，輸出最終MOS值，并通過主觀評估實驗數(shù)據(jù)進行相似度分析。第四部分得出結(jié)論。二、 模糊控制原理模糊控制原理是基于模糊數(shù)學(xué)基本思想和理論的控制方法?？刂祁I(lǐng)域里，控制系統(tǒng)動態(tài)模式的精確與否是影響控制優(yōu)劣的最主要關(guān)鍵，系統(tǒng)動態(tài)的信息越詳細，則越能達到精確控制的目的。然而，對于復(fù)雜的系統(tǒng)，由于變量太多，往往難以正確的描述系統(tǒng)的動態(tài)，于是便需要利

8、用各種方法來簡化系統(tǒng)動態(tài)，以達成控制的目的。傳統(tǒng)的控制理論對于明確系統(tǒng)有強而有力的控制能力，但對于過于復(fù)雜或難以精確描述的系統(tǒng)，并不適用。因此人們便嘗試著以模糊數(shù)學(xué)來處理這些控制問題。在這片論文中，我們所采用的模糊控制架構(gòu)主要模糊化、模糊推理、清晰化、知識庫等幾個模塊組成，在下面我們給出了模糊控制結(jié)構(gòu)圖。圖中輸入?yún)?shù)首先進入模糊化模塊進行模糊處理，然后流入模糊推理模塊，此模塊是模糊控制的核心，接著進入對數(shù)據(jù)流清晰化處理，最后輸出結(jié)果。在以上三個處理過程中，將分別需要知識庫中提供的處理函數(shù)或規(guī)則表，對不同階段的數(shù)據(jù)模糊控制。下面我們詳細討論模糊控制結(jié)構(gòu)中的每一個環(huán)節(jié)。知識庫模糊化模糊推理清晰化輸

9、入?yún)?shù)輸出圖1 模糊控制結(jié)構(gòu)圖1. 模糊化該模塊的作用是將輸入的精確量轉(zhuǎn)換成模糊化量。其中輸入量包括外界的參考輸入、系統(tǒng)的輸入或狀態(tài)等。模糊化的具體過程如下：首先對輸入量進行過濾處理，將實際輸入的數(shù)據(jù)變?yōu)榉舷乱徊揭蟮妮斎肓俊⑸鲜鲆呀?jīng)處理過的輸入量進行尺度變換，使其變換到各自的論域范圍。論域可以是連續(xù)的也可以是離散的。如果要求離散的論域，則需要將連續(xù)的論域離散化或量化。將上述已經(jīng)處理過的輸入量進行模糊處理，使原來精確的輸入量編程模糊的輸入量，并用相應(yīng)的模糊集合來表示。2.知識庫知識庫中包含了具體應(yīng)用領(lǐng)域中的知識和要求的控制目標。它通常由數(shù)據(jù)庫和模糊控制規(guī)則庫兩部分組成。數(shù)據(jù)庫主要包括各變量

10、的隸屬度函數(shù)，尺度變換因子以及模糊空間的分級數(shù)等。利用數(shù)據(jù)庫可以將輸入和輸出空間模糊分割，并計算出實際數(shù)據(jù)針對每個分割空間的隸屬度，通過隸屬度的比對得出數(shù)據(jù)等級。規(guī)則庫包括了用模糊語言變量表示的一系列控制規(guī)則，通常為如下形式：IF（滿足一組條件）THEN（推出一組結(jié)論）它們是模糊推理的根據(jù)。IF-THEN規(guī)則中的前提和結(jié)論均是模糊的概念，因此也稱它為模糊條件句。規(guī)則庫的建立有多種方法，包括基于專家經(jīng)驗和控制工程知識、基于過程的模糊模型、基于學(xué)習(xí)等，在此篇論文中，我們采用了基于操作人員的實際操作過程制定規(guī)則表。3.模糊推理模糊推理是模糊控制最重要的部分，它具有模擬人的基于模糊概念的推理能力。該推

11、理過程是基于模糊邏輯中的蘊含關(guān)系及推理規(guī)則來進行的。模糊推理的過程也是模糊控制的過程，目前主要包括兩種形式： 狀態(tài)評估的模糊推理，它具有如下的形式： R1：如果x是A1 and y是B1，則z是C1 R2：如果x是A2 and y是B2 ,則z是C2 . . . R3: 如果x是An and y是Bn ,則z是Cn 現(xiàn)有的模糊控制系統(tǒng)中，大多數(shù)情況均采用這種形式，在我們的論文中也采用此種控制規(guī)則。目標評估的模糊推理，典型的形式如下:Ri: 如果u是Ci-(x是Ai，and y是Bi)，則u是Ci其中u是系統(tǒng)的控制量，x和y系統(tǒng)性能的評估參數(shù)，x和y的取值均為“好”，“差”等模糊語言。對于每個控

12、制命令Ci，通過預(yù)測相應(yīng)的結(jié)果（x，y），從中選用最適合的推理規(guī)則。4.清晰化清晰化的作用是將模糊推理得到的控制量（模糊量）變換為實際用于控制的清晰量。它包含兩部分內(nèi)容：將模糊的控制量經(jīng)清晰化變換變成表示在論域范圍的清晰量。將表示在論域范圍的清晰量經(jīng)尺度變換變成實際的控制量。清晰化計算通常包括三種計算方法：最大隸屬度法、中位數(shù)法、加權(quán)平均法。在本文中，根據(jù)研究對象特點，我們采用加權(quán)平均法。加權(quán)平均法是取控制量的加權(quán)平均值作為清晰值，對于論域連續(xù)的情況有：Z0=dfz=abz(z)dzab(z)dz ，其中，z為模糊的控制量，(z)為加權(quán)函數(shù)。對于論域離散的情況有：Z0=i=1nzi(zi)i=

13、1n(zi) ，其中，z為模糊的控制量，(z)為加權(quán)函數(shù)。清晰化計算后，即得出我們最終所需要的評估值。三、 評估模型的建立與分析1.OTT視頻QOE的三層架構(gòu)OTT視頻質(zhì)量受到不同層面的多種因素的影響，從應(yīng)用層來講，視頻的緩沖程度，緩沖時間長短等因素直接給用戶體驗帶來影響。從網(wǎng)絡(luò)層面來講，網(wǎng)絡(luò)狀況的好壞影響視頻流的數(shù)據(jù)傳輸，從而帶來應(yīng)用層指標參數(shù)的變化。因此，為了更清晰的了解OTT視頻QOE的影響因素與層次關(guān)系，我們建立了OTT視頻的三層QOE架構(gòu)，如圖2所示。用戶QOE初始緩沖時間緩沖頻率平均緩沖時間網(wǎng)絡(luò)帶寬丟包率往返時延應(yīng)用層網(wǎng)絡(luò)層圖2 三層QOE架構(gòu)針對應(yīng)用層，我們選取初始播放時延，緩沖

14、頻率和平均緩沖時間作為應(yīng)用層的用戶QOE影響指標。初始緩沖時間是指用戶從點擊視頻播放至視頻開始播放的時間；緩沖頻率指視頻在播單位時間內(nèi)緩沖的次數(shù)；平均緩沖時間為視頻整個播放過程中因再緩沖而等待的平均時長。它們直接關(guān)系到用戶的視覺效果和內(nèi)在感受，因此直接決定用戶QOE。針對網(wǎng)絡(luò)層，網(wǎng)絡(luò)帶寬、往返時延和丟包率是該層的三個主要特性指標，它們可以反映網(wǎng)絡(luò)狀況的好壞，影響數(shù)據(jù)傳輸速率以及吞吐量大小，進而造成應(yīng)用層特性指標的變化，影響用戶QOE。下面我們從網(wǎng)絡(luò)層入手，建立網(wǎng)絡(luò)特性指標與應(yīng)用層指標關(guān)系，并通過已知的網(wǎng)絡(luò)特性指標值計算出對應(yīng)的應(yīng)用層性能指標值。然后建立模糊控制模型，將應(yīng)用層性能指標作為輸入，經(jīng)

15、過模糊化、模糊推理、清晰化等分析過程，計算OTT視頻客觀評估值MOS。2.網(wǎng)絡(luò)層指標到應(yīng)用層指標的計算網(wǎng)絡(luò)層指標網(wǎng)絡(luò)帶寬、丟包率、往返時延直接影響著應(yīng)用層指標的變化，在此，我們建立了一個從網(wǎng)絡(luò)層到應(yīng)用層參數(shù)映射的簡單模型。映射模型基于以下4條假設(shè)：視頻在下載過程中網(wǎng)絡(luò)帶寬、往返時延、丟包率為恒定值。視頻播放的過程中，用戶不對視頻進行任何操作。服務(wù)器與客戶端之間的數(shù)據(jù)平均比特率為恒定值。視頻的比特率沒有大幅度的波動。視頻的緩存容量要小于視頻的大小，且在視頻初始緩沖和再緩沖時，只有緩存被填滿后才能播放。 （1）初始緩沖時間初始緩沖時間為用戶發(fā)出視頻請求至視頻開始播放的等待時間，它與以下幾個因素有關(guān)

16、:視頻緩存容量,視頻播放速率，視頻數(shù)據(jù)流傳輸?shù)钠骄鵗CP吞吐量。因此我們可以從3.1式可以得出視頻初始緩沖時間T初始：T初始=B滿S播放G平均 （3.1）其中，B滿表示視頻緩沖容量的大小，S播放表示視頻的播放速率，G平均表示視頻數(shù)據(jù)流傳輸?shù)钠骄鵗CP吞吐量。G平均可以通過包傳輸速率s包發(fā)送（p）的計算21,然后進一步由3.3式求得： s包發(fā)送（p）=1R2bp3+T0min1,33bp8p(1+32p2) (3.2)G平均= s包發(fā)送（p）M8/R (3.3)其中，s包發(fā)送（p）表示每個往返時延的包發(fā)送速率，p表示丟包率，b表示通過一個ACK獲得的包數(shù)量，R表示往返時延，T0表示重傳超時時間，

17、M表示由服務(wù)發(fā)送的數(shù)據(jù)包的大小。（2）緩沖頻率緩沖頻率的計算涉及到視頻時間長度以及視頻播放過程中緩沖次數(shù)兩個因素。視頻時間長度在視頻打開后即可得知，而緩沖次數(shù)需要利用視頻播放剩余時間長度和每次觸發(fā)緩沖前視頻的播放時間求得。 F緩沖=0， 如果G平均S播放N緩沖L, 否則 （3.4）其中，N緩沖表示視頻播放過程中的緩沖次數(shù)，L表示視頻時間長度。而N緩沖我們可以通過一下公式求得： N緩沖=L/b緩沖， （3.5） L=L-B滿/（1-G平均S播放）， （3.6） b緩沖=B滿-B空/（1-1-G平均S播放）， （3.7）這里，L表示視頻播放剩余時間長度，b緩沖表示每次觸發(fā)緩沖前視頻的播放時間，B空

18、表示引發(fā)緩沖事件的視頻緩沖容量最小剩余量。（3）平均緩沖時間主要與四個因素有關(guān)：視頻緩存容量, 引發(fā)緩沖事件的視頻緩沖容量最小剩余量，視頻播放速率，視頻數(shù)據(jù)流傳輸?shù)钠骄鵗CP吞吐量。我們可以根據(jù)3.8式求出： T平均緩沖=（B滿-B空）S播放G平均 （3.8）其中，B滿，B空，S播放，G平均均在以上公式中給出了解釋。 通過上面網(wǎng)絡(luò)層參數(shù)與應(yīng)用層指標的映射公式，我們可以計算得出應(yīng)用層指標值作為模糊控制模型的輸入，然后重點建立并分析OTT視頻評估的模糊控制模型。3.建立模糊控制模型模糊控制模型的輸入可以根據(jù)論域的不通分為兩類，一類為離散型，一類為連續(xù)型。OTT視頻質(zhì)量評估模糊控制模型的輸入為：初始

19、緩沖時間，緩沖頻率，平均緩沖時間，且均為離散型變量，因此，我建立具體的OTT視頻質(zhì)量評估模糊控制模型，如圖3所示。 知識庫模糊化模糊推理清晰化輸出T初始T平均緩沖F緩沖輸入MOS值圖3 OTT視頻質(zhì)量評估的模糊控制模型 （1）T初始，F(xiàn)緩沖，T平均緩沖模糊化 模糊控制的第一步將輸入?yún)?shù)T初始，F(xiàn)緩沖，T平均緩沖模糊化，使原來精確的輸入?yún)?shù)值變?yōu)槟：妮斎肟臻g。這里，我們利用模糊分割的原理，即把輸入的參數(shù)進行等級劃分，每個等級都取值為一個模糊的語言名稱，等級劃分的個數(shù)決定了模糊控制的精確程度。在此，我們擬定了5個模糊的等級分類，分別為最小，較小，中等，較大，最大。然后根據(jù)T初始，F(xiàn)緩沖，T平均緩

20、沖各自的大小，將它們歸類。輸入?yún)?shù)T初始，F(xiàn)緩沖，T平均緩沖的歸類需要按照一定的原則，即為模型中的知識庫，這里，我們采用精確度較高的三角形狀隸屬函數(shù)。由于之前擬定了5個等級，所以我們按每組輸入?yún)?shù)的取值范圍將每一個輸入?yún)?shù)平均分成五份，假設(shè)其中一份范圍為Xmin, Xmax,輸出隸屬度的取值范圍為Ymin, Ymax,實際輸入?yún)?shù)值為x,則該等份中隸屬函數(shù)曲線可表示為：y=Ymax+Ymin2+k(x-Xmax+Xmin2), (3.9)k=Xmax+XminXmax-Xmin, (3.10)其中k稱為比例隱私。由于此處的隸屬度表示輸入?yún)?shù)歸屬于某一等級的概率，所以隸屬度的取值范圍定位0，1。

21、將每一等份的隸屬度曲線連接在一起，我們便得出模糊分割規(guī)則圖如下所示：圖4 模糊分割規(guī)則圖其中，橫軸表示輸入?yún)?shù)的取值，縱軸表示實際輸入?yún)?shù)在各等級的隸屬度。X1，X2，X3，X4，X5為等分點。模糊化等級劃分為：三角形X1-P1-X2區(qū)域表示最小， X1-P2-X3區(qū)域表示較小，X2-P3-X3區(qū)域表示中等，X3-P4-X4區(qū)域表示較大，X1-P1-X2區(qū)域表示最大。將實際輸入的參數(shù)值帶入模糊分割規(guī)則圖，便可分別得出T初始，F(xiàn)緩沖，T平均緩沖三種參數(shù)各自對應(yīng)每個等級的隸屬度，可描繪為概率表，隸屬度最高的區(qū)域即為輸入?yún)?shù)所屬的等級。通過以上過程，輸入?yún)?shù)便由精確值變?yōu)槟：牡燃壝枋?。?）模糊推

22、理 T初始，F(xiàn)緩沖，T平均緩沖模糊化的等級劃分結(jié)果最為輸入進入模糊推理過程。推理規(guī)則是模糊推理最重要的組成部分。我們采用狀態(tài)評估模糊推理，例如：R1：如果T初始最小 and F緩沖最小and T平均緩沖最小，則MOS值最小，然而，針對三種參數(shù)其他不同狀態(tài)的組合，我們必須制定科學(xué)的推理規(guī)則。我們參考中的結(jié)論公式，通過變形和參數(shù)調(diào)整，確定模糊推理公式，以經(jīng)過模糊化的T初始，F(xiàn)緩沖，T平均緩沖經(jīng)等級值作為輸入，將計算出的MOS值等級劃分，得出一套合理模糊推理規(guī)則表。由于輸入?yún)?shù)的大小與輸出MOS值成反比關(guān)閉，所以為了方便計算，我們定義輸入?yún)?shù)模糊化后的等級對應(yīng)值為：最小5級，較小4級，中等3級，較大

23、2級，最大1級，于是得出模糊推理公式如下：LMOS=0.2L初始+0.5L緩沖+0.3L平均緩沖時間 （3.11）其中，L初始，L緩沖，L平均緩沖時間分別表示參數(shù)T初始，F(xiàn)緩沖，T平均緩沖的等級值，LMOS表示得出的MOS等級值。于是經(jīng)過以上計算，我們可以得出一套L初始，L緩沖，L平均緩沖時間值任意組合的模糊規(guī)則表如下：當L初始=1時，L緩沖，L平均緩沖時間組合推出MOS的等級值。表1 模糊推理規(guī)則表 L緩沖L平均緩沖時間12345112233212234312334412334522334當L初始=2、3、4、5 時的規(guī)則表均可由3.11式得出，在這里不再一一列出。 通過上面的分析和計算，我

24、們得到輸入?yún)?shù)的隸屬度概率表，等級表，模糊推理規(guī)則表，目前還需要MOS值的隸屬度概率表，我們采用較為簡單的下表作為MOS值的隸屬度概率表：表2 MOS隸屬度概率表 MOS等級33.544.55最小10.50000000較小00.510.500000中等0000.510.5000較大000000.510.50最大00000000.51在以上數(shù)據(jù)表的基礎(chǔ)上，我們假設(shè)輸入的一組參數(shù)值T初始，F(xiàn)緩沖，T平均緩沖 參數(shù)值分別為x0,y0,z0，那么我們可以得出相應(yīng)的輸入?yún)?shù)模糊集合X，Y，Z，分別為： X=1 x=x00 xx0 Y=1 y=y00 yy0 Z=1 z=z00 zz0

25、(3.12)那么針對每一組輸入?yún)?shù)值，我們都可以通過下面推理公式得到模糊推理的輸出： MOS=X，Y，Z R=X，Y，Z i=1nRi (3.13)=i=1nX，Y，Z XiYiZiMOSi=i=1nXXMOSi YYMOSi ZZMOSi =i=1nMOSiXMOSiYMOSiZ=i=1nMOSi其中，n表示輸入?yún)?shù)的組數(shù)；X，Y，Z表示每一組輸入?yún)?shù)T初始，F(xiàn)緩沖，T平均緩沖對應(yīng)的模糊集合；Xi，Yi，Zi 表示第i組T初始，F(xiàn)緩沖，T平均緩沖對應(yīng)的隸屬度概率值，MOSi表示由第i組輸入?yún)?shù)推出的MOS等級的概率值；MOSi表示第i組輸入?yún)?shù)T初始，F(xiàn)緩沖，T平均緩沖模糊值推出的MOS等級

26、的概率值；MOSiX，MOSiY，MOSiZ分別表示由第i組參數(shù)T初始模糊值單獨推出，F(xiàn)緩沖模糊值單獨推出，以及T平均緩沖模糊值單獨推出的MOS等級的概率值；符號 表示最大-最小法運算；利用矩陣元素比較取小運算來進行計算。 通過3.13式我們可以求出針對每一組經(jīng)過模糊化的四、 結(jié)論參考文獻：1 Patrick Le Callet, Christian Viard-Gaudin, Dominique Barba, ”A Convolutional Neural Network Approach for Objective Video Quality Assessment”, IEEE TRANS

27、ACTIONS ON NEURAL NETWORKS, 2006, pp: 1316-1327 2 S.Tasaka, Y. Watanabe, “Real-time estimation of user-level QoS in audio-video IP transmission by using temporal and spatial quality. In Proc. IEEE GLOBECOM, 2007.3 H. Koumaras, A. Kourtis, C. Lin, and C. Shieh, “A theoretical framework for end-to-end

28、 video quality prediction of MPEG-based sequences,” in Proc.3rdInt.Conf.NetworkingandServices, Jun.1925, 2007, pp. 62654 A.Eden, “No-reference image quality analysis for compressed video sequences,” IEEE Trans. Broadcast., vol. 54, no. 3, pp. 691697, Sep. 2008.5 K. Sesha drinathan, A.Bovik, “Motion tuned spatio-temporal quality assessment of natural videos”, IEEE Trans. Image Process, vol. 19, no. 2, pp. 335350, Feb. 2010.6 G. Zhai, J. Cai, W. Lin, X. Yang, and W. Zhang, “Three dimensional scalable video adaptation via user-end percep