专利名称：一种用于测量用户业务体验质量的方法
技术领域：
本发明涉及无线通信领域，尤其涉及一种用于测量用户业务体验质量的方法。
背景技术：
用户业务体验质量或者用户感知(QoE)是用户对无线网络提供的业务性能的主观感受或者为用户在一定的客观环境中对所使用的服务或者业务的整体认可程度。它可以通过量化的方法来表示终端用户对业务与网络的体验和感受，并反映当前业务和网络的质量与用户期望之间的差距。无线通信网络服务的最终目标是为用户提供最好的业务体验质量。现有的关于QoE的研究一般集中在音频、视频业务。按照是否有用户直接参与评 价及是否给出QoE与其影响因素之间的关联模型可以将现有的评价方法分为主观评价方法、客观评价方法及主客观结合的方法，其中主客观结合的方法又可以称为伪主观评价方法。伪主观的评价方法结合了主观评价方法和客观评价方法的优点.它既有主观评价方法与用户感知一致的特点，又具有客观评价方法简便、可实时应用、可移植的特点。以移动通信业务为对象，从其业务的可接入性、可保持性以及完整性入手，采集终端用户体验质量的题本特征，然后与对应的端到端的移动通信服务质量指标关联，构成分层的终端用户质量的评估体系，通过大量的实验，从网络侧采集相应的移动通信服务质量指标数据，以此作为人工神经网络的输入，相应的终端用户体验质量的基本特征评价作为输出，完成利用人工神经网络的建模，在网络侧采集用户呼叫业务的网络移动通信服务质量指标作为已建立模型的输入，即可得到用户对移动通信业务真实体验的预测和评估。当前的基于神经网络的移动通信业务用户体验评估方案具有如下缺点由于神经网络存在着收敛速度慢，易陷入局部最小值的问题，因此，在利用人工神经网络进行建模的过程中，模型过于复杂且精确度不高。因此，当前需要一种改进的用于测量用户业务体验质量的技术方案来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种用于测量用户业务体验质量的方法，解决了当前方案中存在神经网络存在着收敛速度慢，易陷入局部最小值，导致建模过程中，模型过于复杂且精确度不高的问题。为了解决上述问题，本发明提供了一种用于测量用户业务体验质量的方法，其包括根据用户业务体验质量评价模型建立级联结构的神经网络，并根据测试采集的样本数据库对所述神经网络进行训练；判断所述神经网络若出现训练输出不能满足需求的情况，则通过粒子群优化PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整，再判断用户业务体验质量QoE的测试误差是否满足预设值，若满足则完成用户体验质量QoE评价模型的建立，从而最终完成QoE的测量。
与现有技术相比，应用本发明，通过采用级联结构，根据神经网络训练结果来判断是否需要启动粒子群算法，以最大程度减少模型的运算复杂度并提高拟合精度。
图I是本发明采用的神经网络结构示意图；图2是本发明的用于测量用户业务体验质量方法的流程图；图3是本发明实例中无失真源视频的示意图；图4是本发明实例中支持多业务的动态仿真平台示意图；图5是本发明实例中无失真视频I (akiyo)及其失真视频的不意图；图6是模型输出结构与用户主观评价结果之间MSE的CDF曲线的示意图；图7是模型输出结果与用户主观评价结果比较示意图。
具体实施例方式下面结合附图和具体实施方式
对本发明作进一步说明。本发明的方法在具体实现中要通过系统中各设备之间信息交互来进行信息和/ 或数据的收集，并通过其内的控制器(可以是CPU等进行控制处理信息和/或数据，本发明对此不作任何限定)，其间还可以通过各种存储器(可以是内存、硬盘或其他存储设备)进行信息和/或数据的储存和传送，本发明对此不作任何限定。针对模型建立的过程，本发明提出了以神经网络为基础的两级级联结构的数学模型来进行函数拟合，该结构主要由两步组成，首先确定神经网络的结构并使用样本数据库进行训练，当神经网络出现陷入局部最小值的情况或者训练输出不能满足需求的时候，将启动后续算法，对神经网络的权值和阈值进行调整，如进行后处理等。通过这类方法，能够避免陷入局部最小，较快地训练模型直至收敛，并且在保证训练精度的基础上，尽量的降低运算复杂度，训练样本数目足够多情况下可精确地获得模型中各个系数。本发明的主要构思在于采用级联结构，根据神经网络训练结果来判断是否需要启动粒子群算法来进行后处理，以最大程度减少模型的运算复杂度并提高拟合精度；通过计算级联结构的复杂度和代价函数，来调整神经网络结构，以及粒子群个数、初始化状态和行走速度。I.权值训练如图I所示一个三层的神经网络，它可以通过节点、连接权值、阈值以及节点激励函数来确定，其权值和阈值在训练过程中进行调整。三层分别为输入层Ltl、隐含层L1和输出层L2。输入层Ltl包含Ntl个输入 ，分别为各种影响QoE的因素。L1和L2包含的节点个数分别为N1, N20 Li的第j个节点在第η次的迭代中，权值矩阵可表示为Wi Jn) = [w ；(h), W111;(η),Wif^1 '(η)], η = 0，1，2，· · ·在训练开始阶段，神经网络的权值和阈值均被赋予随机初始值。L1和Li的第j个节点的输出为( ) = /(Χ Mg) (n)x0m — θη ,(/ι))
m=\
权利要求
1.一种用于测量用户业务体验质量的方法，其特征在于，包括 根据用户业务体验质量评价模型建立级联结构的神经网络，并根据测试采集的样本数据库对所述神经网络进行训练； 判断所述神经网络若出现训练输出不能满足需求的情况，则通过粒子群优化PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整，再判断用户业务体验质量QoE的测试误差是否满足预设值，若满足则完成用户体验质量QoE评价模型的建立，从而完成QoE的测量。
2.如权利要求I所述的方法，其特征在于， 所述根据用户业务体验质量评价模型建立级联结构神经网络，并根据测试采集的样本数据库进行训练的步骤，包括 建立三层的神经网络，其通过节点、连接权值、阈值以及节点激励函数来确定，所述权值和阈值在训练过程中进行调整，三层分别为输入层Ltl、隐含层L1和输出层L2，输入层Ltl包含Ntl个输入x。=Iaj,，分别为影响QoE的因素A和L2包含的节点个数分别为N1, N2 ;第i层(i = 0，1，. . .，IOLi的第j个节点在第η次的迭代中，权值矩阵表示为 ;( ) = [itf/(n),M-f)(n),...,w^'-'}(n)]. η = 0，1，2，· · ·； 通过测试采集的样本数据库进行训练的开始阶段，该神经网络的权值和阈值均被赋予随机初始值山和Li的第j个节点的输出为
3.如权利要求2所述的方法，其特征在于， 所述通过测试采集的样本数据库进行训练中采用的f为该节点的S型激励函数，表示为
4.如权利要求2所述的方法，其特征在于， 所述判断所述神经网络若出现训练输出不能满足需求的情况，是指判断若进行训练的代价函数大于训练代价函数的期望值％ ,则通过PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整。
5.如权利要求2所述的方法，其特征在于， 所述通过粒子群优化PSO方式更新粒子的速度和位置，对神经网络的权值和阈值进行调整的步骤，包括 根据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是一个正常数，称为惯性权重，βρ，38是两个正常数，rp，rg称为学习因子，是在
中服从均匀分布的随机数；其中粒子群P= {Pl，P2，...，Pk}，即粒子群由K个粒子组成，一个粒子通过其所在的位置和速度来描述，粒子P1在d维空间的位置将被赋予神经网络的权值，表示为Xi⑴=(Wqq, W01,...,JVf N ) G Clx^''t = O，其他粒子分别表示为xk(t)，k = 12，3，. . .，K，并被赋予随机初始值，其中级联结构中粒子的维度d由神经网络的变量个数决定d = (N0+1) · N1+(N1+!) · N2 ； 其中，HN2分别为输入层、隐含层和输出层的节点数；粒子速度表示为vk(t)，k =.1,2, ... , K, t = O,并被赋予随机初始值；粒子pk的个体极值表示为Pk，即Pk是粒子Pk当前所发现的最好解，Pk的局部极值表示为gk，即gk是粒子Pk的近邻当前所发现的最好解；粒子在解空间内不断跟踪个体极值与局部极值进行搜索，直到满足算法的终止条件为止。
全文摘要
本方案涉及一种用于测量用户业务体验质量的方法包括根据用户业务体验质量评价模型建立级联结构的神经网络，并根据测试采集的样本数据库对其训练；判断所述神经网络出现训练输出不能满足需求的情况则通过粒子群优化PSO方式更新粒子的速度和位置，对神经网络的权值进行调整，再判断用户业务体验质量QoE的测试误差是否满足预设值，若满足则完成用户体验质量QoE评价模型的建立，最终完成QoE的测量。本方案通过该级联结构的神经网络模型，根据神经网络训练结果判断是否需要启动PSO算法，最大程度减少模型的运算复杂度并提高拟合精度，解决了现有神经网络收敛速度慢、易陷入局部最小值及模型过于复杂精确度不高的问题。
文档编号H04W24/00GK102946613SQ201210382539
公开日2013年2月27日 申请日期2012年10月10日 优先权日2012年10月10日
发明者郑侃, 贺媛, 王文博 申请人:北京邮电大学