基于学习排序的多分类标签排序方法研究

学习排序是利用机器学习技术来对搜索结果进行排序的技术。它在包括信息检索与数据挖掘等技术在内的众多应用领域中具有重大作用,因此近年来备受关注。学习排序通常假设每个培训实例都与一个可靠的标签相关联产生列表,但并不假定此列表是完整的或一致的。通过结合广义线性模型和Plackett-Luce(P-L)模型,提出一种基于实例的解决多分类标签的排序方法。目标是训练学习一种排序功能,排序功能通过训练提出一种最大似然估计方法。该方法估计标签排序,并迭代地训练排序功能,该功能可以在整套标签上产生全部排序。先利用广义线性模型对标签进行分类,再用P-L模型对各类别的标签进行排序,最后利用最大似然估计的方法对框架模型进行优化处理。该方法在不完整的训练数据的情况下,较其他模型方法在准确性上提升5%。     

基于线性带权值的广义表的模型检验方法

提出了一个线性带权值的广义表（Linear Weighted Generalized List,LWGL）模型,同时给出了LWGL加法和乘法、析取和合取运算规则,实现了基于LWGL的高层次模型检验方法。实验结果表明LWGL模型对高层次模型检验是有效的。     

一种基于非残差估计线性表示模型的人脸识别

Dantzig selector利用样本与残差之间的相关向量的L!范数来约束线性表示模型,为了克服传统的线性表示在处理表示残差时依赖于一个对残差特定的似然估计这一缺陷将这样一种处理残差的思路用于人脸识别,提出了一种基于Dantzig selector模型的人脸识别算法,并对Dantzig selector的一种有效的求解方法进行研究。在常用人脸库上实验表明,基于Dantzig selector人脸识别算法在不需要对残差进行估计的情况下也能取得了很好的识别效果。     

基于广义线性模型的变参数广义卡尔曼滤波

给出了连续系统的一种广义线性模型,不仅适用于已知系统,而且适用于未知系统,无论系统是线性还是非线性的。该模型系数服从确定的变化规律而无需在线辨识或预先计算,因而实时性好。定义了基于这种模型的变参数广义卡尔曼滤波。并给出其递推计算公式,可对未知系统实现实时滤波估计,且满足均方误差最小。该系统能方便、快捷、准确地实现未来多个时刻状态群的实时预报,以便提早掌握系统未来的运动趋势,提高系统的控制性能和对机动目标拦截的制导精度。算例仿真表明,结果是令人满意的。     

基于最大似然线性回归的随机段模型说话人自适应研究

提出了一种随机段模型系统的说话人自适应方法。根据随机段模型的模型特性,将最大似然线性回归方法引入到随机段模型系统中。在“863 test”测试集上进行的汉语连续语音识别实验显示,在不同的解码速度下,说话人自适应后汉字错误率均有明显的下降。实验结果表明,最大似然线性回归方法在随机段模型系统中同样能取得较好的效果。     

基于模型混淆度的模型组合算法研究

传统的声学模型训练算法如最大似然估计(Maximum likelihood estimation, MLE), 在训练时只考虑了模型自身而没有考虑模型之间的相互影响. 为了进一步提升模型的识别效果, 区分性训练算法被提出. 本文在最小音素错误(Minimum phone error, MPE)区分性训练算法的基础上提出一种基于模型间混淆程度进行模型组合的算法: 针对单混合分量模型, 依据模型间混淆程度对MLE和MPE的模型进行加权组合; 针对多混合分量模型, 提出一种模型选择的算法来获取新的模型参数. 实验表明, 与MPE算法相比, 对单分量的情况, 该算法可以使系统的误识率相对降低4%左右; 对于多分量的情况, 该算法可以使系统的误识率相对降低3%左右.     

基于线性预测和最大似然的基音检测算法

根据语音信号产生机理，结合常用的线性预测和最大似然法，提出了一种有效的基音检测算法。该算法采用频域分块估计候选基音周期的范围，提高了算法的计算速度。仿真实验表明，该算法与传统方法相比其基音检测结果有了明显的改善，克服了随机错误及倍频、半频错误，在低信噪比下鲁棒性较好。     

网络传输中IPTV的QoE评估模型的研究

IPTV是一种基于Internet的多媒体网络服务,由于Internet本身的不可靠性,使其在网络传输过程中无法保证服务质量。为了实时定量评估IPTV服务质量,提出了一种基于IPTV的用户体验评估模型,通过建立从网络服务质量QoS到用户体验质量QoE的映射关系,借助QoS测量技术,以实现针对QoE的在线评估。实验建立IPTV仿真平台,模拟真实网络环境下IPTV媒体流传输的整个过程,实现网络损伤QoS可控和QoE可测。针对不同编码和不同内容的视音频,分别建立独立的QoE评估模型。同时考虑到模型对数据精度和计算速度的需求,给出优化的QoE评估模型。实验结果表明,该评估模型与实际用户体验具有较高的拟合度。     

采用线性累积模型分析电缆绝缘寿命试验数据

采用线性累积模型对具有无故障寿命的某型号电缆绝缘性能步进应力加速寿命试验数据进行了分析,给出了在多截尾情况下参数的极大似然估计和似然函数的通式。     

基于特征词及形状模型的图像类别学习

一类图像的特征及其分布在很大程度上表达了该类的主要信息.根据这一思想,结合图像中的像素信息及形状信息提出一种类图像识别方法.对于一类给定的样本图像,首先提取每一幅图像的显著特征,根据特征分布提取特征区域;然后对所有的特征区域进行聚类得到特征词典,基于特征词及形状信息建模,同时采用最大似然估计的方法进行学习得到模型参数;最后结合特征词模型及形状模型对测试图像进行识别.实验结果表明,该方法能够有效地对2类图像进行分类和识别,同时对多数类图像也能进行较为准确的分类和识别.     

基于用户体验延迟的QoE层次评估模型

针对Web服务中难以获得反映用户体验的数据,且难以对用户体验质量（QoE）进行评估的问题,在分析了Web数据和现有评价方法的基础上,提出了一种融入用户体验延迟ED的QoE层次评价方法。该方法基于层次分析法,并结合人类生理主观感受,能够更加客观地衡量用户体验。通过相关案例验证了该方法的可行性。     

A real-time QoE methodology for AMR codec voice in mobile network

This paper studies a general strategy to predict voice Quality of Experience （QoE） for various mobile networks. Particularly, based on data-mining for Adaptive Multi-Rate （AMR） codec voice, a novel QoE assessment methodology is proposed. The proposed algorithm consists of two parts. The first part is devoted to assessing speech quality of fixed rate codec mode （CM） of AMR while in the other one a adaptive rate CM is designed. Measuring basic network parameters that have much impact on speech quality, QoE can be monitored in rei time for operators. Meanwhile, based on the measurement data sets from real mobile network, the QoE prediction strategy can be implemented and QoE assessment model for AMR codec voice is trained and tested. Finally, the numerical results suggest that the correlation coefficient between predicted values and true values is greater than 90~0 and root mean squared error is less than 0.5 for fixed and adaptive rate CM.     

IP网络中视频流QoE评价模型

网络视频业务的兴起使网络运营商和服务提供商更加关注视频的用户体验（QoE）,然而视频用户体验（QoE）值由于其主观性且评价过程复杂,难以在视频流传输中实时获取。通过实验分析了视频传输过程中服务质量（QoS）参数变化对视频QoE的影响,建立了客观、可测量的QoS参数与视频QoE之间映射模型,用可量化的QoS参数来评定视频QoE受网络性能的影响程度,以评估网络视频质量,该模型形式简单,能够实时监测视频质量。实验结果表明,该模型的评价结果能较好反映视频QoE。     

HTTP移动流媒体QoE管理综述

随着移动通信网络和技术的快速发展,多媒体信息的大量涌现,人们对多媒体信息服务的要求也越来越高。基于HTTP协议的移动流媒体由于拥有广泛运营基础的Web服务器网络环境,部署简单,适用范围广泛等优点成为研究的热点。简要介绍了HTTP移动流媒体的相关特点,重点分析了影响HTTP移动流媒体用户体验质量的各层因素,归纳总结了评价方法和现有的工具,并对 HTTP 移动流媒体相应的优化进行了介绍,最后对HTTP移动流媒体QoE管理进行了总结和展望。     

Finite population estimation under generalized linear model assistance

Finite population estimation is the overall goal of sample surveys. When information regarding auxiliary variables are available, one may take advantage of general regression estimators (GREG) to improve sample estimates precision. GREG estimators may be derived when the relationship between interest and auxiliary variables is represented by a normal linear model. However, in some cases, such as when estimating class frequencies or counting processes means, Bernoulli or Poisson models are more suitable than linear normal ones. This paper focuses on building regression type estimators under a model-assisted approach, for the general case in which the relationship between interest and auxiliary variables may be suitably described by a generalized linear model. The finite population distribution of the variable of interest is viewed as if generated by a member of the exponential family, which includes Bernoulli, Poisson, gamma and inverse Gaussian distributions, among others. The resulting estimator is a generalized linear model regression estimator (GEREG). Its general form and basic statistical properties are presented and studied analytically and empirically, using Monte Carlo simulation experiments. Three applications are presented in which the GEREG estimator shows better performance than the GREG one.     

基于用户QoE的流媒体系统性能测评模型设计

影响流媒体用户服务质量体验QoE(Quality of Experience)的因素有很多,如何对用户QoE进行量化判别是一个复杂的问题。为此,以媒体传输指标MDI为基础,研究了用于测量流媒体用户QoE的基本指标,并提出了相关测量数据的获取方法。以流媒体用户的实际体验质量为依据,提出了一种有效的流媒体系统性能评价模型,该模型为流媒体系统的性能分析和优化调整提供了理论基础,具有广泛的应用价值。     

移动视频体验质量的量化评价模型

移动视频体验质量（QoE）的研究正变得日益重要,现有的QoE评价模型缺少相应的量化方法。结合移动视频业务的特点,提出了两层权值的QoE量化评价模型,即QoE由六种“影响层面”按各自的一级权值叠加而成;进一步地,每个“影响层面”又由多个“影响因素”构成。除了丢包和抖动两个“影响因素”外,其他“影响因素”均具有独立的二级权值。提出通过层次分析法（AHP）计算出所有的一级权值,并且进一步计算出除了丢包、抖动外的其他二级权值。由于丢包和抖动这两个影响因素相互依赖,无法计算各自的二级权值,因此通过网络模拟实验,找出两者的双变量函数f（丢包,抖动）,由此得到完整的两层权值QoE量化评价模型。所提QoE量化评价模型通过测评人员的QoE评分进行验证,实验结果表明该模型获得了较高的准确度,证明了上述模型量化方法的可靠性。     

基于XDR数据分析的OTT视频服务感知质量评估方法

互联网电视(over the top, OTT)视频业务逐渐成为最流行的在线业务之一,然而网络视频往往由于网络质量差、服务平台过载等原因,出现播放失败、卡顿次数增加、缓冲时间过长等质量问题,导致用户感知质量(quality of experience, QoE)下降.因此,运营商需要精确评估和掌握用户在使用网络视频业务过程中的质量体验,以便提前发现质量问题,进一步开展网络和业务优化工作.为了解决该问题,提出一种基于用户呼叫/事务/会话记录数据(extend data record, XDR)的无参考网络视频质量评估方法.该方法从大量XDR数据中提取出与视频质量相关性高的少量信息,将大规模、低价值的XDR话单数据转化为高价值、小规模的视频质量特征信息,有利于后续人工智能算法的应用和视频业务质量评价,降低进一步数据挖掘的资源成本,提升机器学习的输入样本质量和QoE评价结果的准确性.实验表明：使用该方法提取后的数据进行QoE预测,得到的预测结果在准确性方面明显优于目前基于原始XDR数据的QoE机器学习评估方法.     

Subjective evaluation of critical success factors for a QoE aware adaptive system

For many years video content delivery has established itself as the killer application. Improving QoE on adaptive streaming is focusing many efforts in the quest for optimized methods and metrics to allow a QoE driven adaptation. Questions such as whether adaptive systems based on Scalable Video Coding improve subjective quality and in which situations or to what degree are still open issues. Tolerance and indifference thresholds for each type of content, conditions or viewer category, with regard to adaptive systems are critical success factors that are yet unresolved. We compare the performance of a complete adaptive system with the traditional, i.e. non-adaptive, approach in subjective terms. Results of surveying 75 participants show that the adaptation improves QoE under most of the evaluated conditions. Tolerance thresholds for triggering adaptation events have been identified. Users accustomed to Internet video are more critical than users that only watch TV. The under 35 year old subset among the available population is generally more satisfied with the adaptive system than the older subset.