一种新的VBR视频业务理论分析模型

目前没有一个理论分析模型可以描述Ｇａｍｍａ分布以及负指数下降的自相关性质，而这些性质对视频业务模型是很重要的。本文在ＤＡＲ（１）模型的基础上发展出一种适合理论分析的视频业务模型Ｃ－ＤＡＲ（１）。它是一个符合视频业务Ｇａｍｍａ分布及自相关特点的分析模型。文中同时指出了一条将离散时间马氏链模型转化为连续时间马氏链的途径。     

ATM网的双Gamma自回归视频模型

本文提出了一种新的ＶＢＲ视频业务模型;三态马尔科夫链下的双一阶自回归Ｇａｍｍａ序列（２－ＧＡＲ（１）,该模型的Ｇａｍｍａ分布特性有较好地描述ＶＢＲ业务比特流的分布,由自相关函数决定的模型系数更充分地描述了自相关函数的行为,利用三态马尔科夫链的两个补充过程可以较理想地描述场景切换下的视频业务模型,文中对这一模型进行了较详细的分析,给出了确定模型参数的方法,并得出了一些重要结论。     

基于视频内容的MPEG视频VBR业务流量模型

视频业务流量模型是网络性能仿真的一个重要前置环节,但由于视频内容的千差万别,使得很难建立统一的视频业务流量模型。本文根据MPEG视频图像内容的纹理及运动复杂度,通过3×3 Kohonen自组织神经网络对视频序列进行划分,将其分割为一段段近似平稳的“视频片段”。然后,用半马尔可夫随机过程描述“视频片段”间的转移概率及其持续时间分布规律,用AR模型描述“视频片段”内部过程,从而建立了一种通用MPEG视频业务流量模型。     

ATM网中压缩视频业务模型综述

压缩视频业务建模是ＡＴＭ研究中的重要方向。本文综述了这一领域的最新进展，特别是包含了可描述视频业务的统计特性的模型的情况。另外，对ＭＰＥＧ视频业务建模也作了比较全面的探讨。     

ATM网VBR编码会议电视业务模型的研究

文章研究了ATM网中VBR编码的会议电视业务的模型，提出一阶自回归、瑞利分布残差而不是高斯分布的AR序列模型──RAR（1），实验表明，该模型能产生足够多的大信元帧数，这对于研究信元丢失率特性具有至关重要的影响，而且简单实用。此外，RAR（1）模型在较少（16个）和较多（128个）VBR信源统计复用时，能很好地拟合实际的会议电视业务的统计数据。     

基于D^（x）i／D2／1模型的ATM VBR视频业务统计复用性能分析

本文提出了一种新的ＶＢＲ视频业务统计复用分析模型Ｄ＾（ｘ）ｉ／Ｄ２／１,给出了该模型的快速解法,获得了该模型下的信元丢失率,平均队长,时延等指标,并应用该模型分析了满足Ｇａｍｍａ分布信源统计复用的性能。     

ATM网络中VBR复用器的硬件实现

提出了一种用于ＡＴＭ网络中ＶＢＲ业务的复用器设计方案,探讨了如何将一种基于令牌 桶控制的ＵＰＣ算法用于ＡＴＭ统计复用器的信源接入控制,并用“在系统编程技术”加以硬件实现。     

ATM网中MMDP业务模型的一种新参数化方法

ＭＭＤＰ模型是一种较好的ＡＴＭ网络理论分析模型，但是一般的ＭＭＤＰ模型参数化很困难。本文从理论上证明了一种解决方法，可以用于对具有任意指定分布及负指数下降自相关函数的业务进行模型化。实验表明我们的参数化方法是准确的。     

VBR业务下的ATM交换机缓冲策略研究

ATM交换机的缓冲信元是基于业务流的实时状态而动态赋值的,因此,不同类型的业务客观上对ATM交换机的缓冲器容量提出不同的要求。本文对可变比特速率(VBR)业务下的ATM交换机缓冲策略进行研究,并给出了计算机模拟结果。     

对ATM中后种VBR业务流模型的分析

本文介绍了一种ＶＢＲ业务流模型，并重点对它的损失率计算提出了一种方案。这种模型在一定程度上能反映业务流的客观实际，同时又便于分析，利用这种模型进行可以比较容易的计算平均时延和信包的损失率，模型参数也可以通过实际测量来直接或间接获得。     

MPEG标准VBR视频业务新模型及其性能研究

迄今为止,MPEG-1标准下的可变比特率(VBR)视频业务建模问题还没有得到很好的解决.鉴于此,本文在分析这类业务统计特性的基础上,对这类业务提出了一种新的帧层模型.该模型可以很好地体现这类业务的一、二阶统计特性.通过使用该模型模拟实际视频信号,也显示了该模型在体现实际业务排队性能上的有效性.     

用于VBR视频通信量预测的梯度径向基函数网络模型

提出采用梯度径向基函数(GRBF,gradientradialbasisfunction)神经网络实现VBR(variablebitrate)视频通信量的预测,由于GRBF神经网络采用差分输入,能够消除由于局部平均值随时间变化而造成的不稳定性,特别适合于非平稳时间序列预测。仿真结果显示,GRBF神经网络模型的预测误差(相对均方误差)为2.9×10-3,而其它几种常见预测模型的预测误差在(1.6～8.5)×10-2之间。     

用支持向量机网络实现VBR视频通信量的预测

VBR(Variable Bit Rate)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:Support Vector Machine)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(Gradient Radial 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%.     

一种用于ATM业务量预测的神经网络模型

提出了一种用于ATM网络业务量智能预测的神经网络模型，并对随机产生的自回归型业务量进行了预测。模拟结果表明，与相关文献给出的神经网络模型相比，该模型不但收敛速度较快，而且推广能力强，提高了预测的精度和可靠性。     

ATM网中视频码流的非线性自适应预测

本文采用循环神经网络对视频编码器的输出流量进行非线性自适应预测,仿真实验表明了该方法的有效性和可行性。     

VBR Video Source Characterization and a Practical Hierarchical Model

There are many ways to build up traffic models for VBR video sources. A frequently applied methodology is to use mathematical analysis based on realistic assumptions to set up a source model that generates traffic according to a stochastic process. In this case, the critical issue is the validation of the synthetic trace by comparing statistics to results obtained from measurements on the real source. In this paper, we choose a different and more practical approach to model the behavior of the real traffic source. Our model building philosophy is that we analyze and understand what happens with the video information on its way from the ingress to the multimedia terminal to the egress of the network card. Throughout this journey the information is processed by several mechanisms and we build an empirical model step by step based on our measurement-based observations. Besides understanding the traffic generation procedure, statistical analysis of VBR traffic traces captured from a number of video sequences was also carried out in several scenarios. Using the knowledge of encoding, encapsulation and scheduling processes and results of the trace analysis, a hierarchical source model is set up for modeling the multimedia terminal. Thereby our model imitates the generation of video frames and the inner working of each level of protocol hierarchy and tries to reproduce the complex behavior of the real source. We use the leaky bucket analysis for verification of the model in order to capture directly the behavior of the traffic in a queue.