一种基于长短期记忆网络的视频直播系统及其实现方法技术方案

本发明专利技术公开一种基于长短期记忆网络的视频直播系统及其实现方法。本发明专利技术具有系统时延低、资源开销少及系统灵活度高的作用，本发明专利技术使用软件无线电平台与深度学习服务器作为实验平台，搭建了一个包含用户、家庭基站、信息融合中心、感知节点以及深度学习服务器在内的测试系统，测试与验证了基于长短期记忆网络预测的视频直播技术性能。本系统通过感知节点收集无线频谱能量数据，深度学习服务器利用这些数据进行模型训练与预测，得到信道状态变化的预测数据，信息融合中心利用这些预测数据进行视频直播系统的资源调度，从而实现了具有比传统调度更低的时延、较为灵活的资源的调度以及减轻了信息融合中心负载的视频直播系统。

A live video system based on long and short term memory network and its implementation

【技术实现步骤摘要】
一种基于长短期记忆网络的视频直播系统及其实现方法
本专利技术属于软件无线信息传输技术，具体涉及一种基于长短期记忆网络预测的视频直播系统及其实现方法。
技术介绍
频谱资源是固定有限的，但是随着通信技术的发展，我们对频谱资源的需求越来越大。有人对于频谱资源的现状进行了调查与研究工作，并公开了测量报告的结果，表明由于静态的频谱分配策略导致频谱利用率低下，从而在某些常用频段上出现了严重的频段拥塞现象。动态频谱接入技术是一种缓解频谱资源紧张的技术手段，其中现阶段工作主要集中在利用认知无线电技术与深度学习实现动态频谱接入。认知无线电技术在高性能软件无线电平台的支撑下，可以实现非授权用户在不干扰授权用户的情况下，在某些频段的空闲时隙利用该频段进行传输数据。但是，以这种形式实现的动态频谱接入，需要实时检测信号并进行抉择是否接入信道，完成这些操作需要大量的时间与资源。频谱预测是利用历史频谱信号数据，寻找其中的内在联系，推测出未来的频谱的变化趋势。如果根据预测的频谱变化趋势，进行动态频谱接入，可以减少频谱感知过程中的处理时延与能量消耗。关于使用传统的统计模型或者浅层机器学习模型进行频谱预测的研究已经有大量的成果。随着计算能力与大数据技术的迅猛发展，深度学习逐渐成为了工业界与学术界的研究热点。深度学习以其特度的结构与神经元连接模式，在计算机视觉、自然语言处理以及其他领域发挥着重要的作用。卷积神经网络作为神经网络的典型网络之一，在图像分类与模式识别有着独特的优势，但是在时间序列问题上，循环神经网络比卷积神经网络更加适合。长短期记忆网络作为循环神经网络的一种延伸网络，能够更好地联系历史信息与当前信息，解决时间序列中的长期依赖问题。这与预测频谱信息的问题十分相似，因此，我们考虑通过基于USRPRIO软件无线电平台搭建的家庭基站系统为测试环境，验证基于长短期记忆网络预测的视频直播系统的性能。
技术实现思路
本专利技术的目的在于解决现有技术中存在的不足，提供一种基于长短期记忆网络预测的视频直播系统及其实现方法，本专利技术使用软件无线电平台与深度学习服务器作为实验平台，搭建了一个包含用户、家庭基站、信息融合中心、感知节点以及深度学习服务器在内的测试系统，测试与验证了基于长短期记忆网络预测的视频直播技术性能。系统通过感知节点收集无线信道数据，深度学习服务器利用这些数据进行模型训练与预测，得到信道状态变化的预测数据，信息融合中心利用这些预测数据进行视频直播系统的资源调度，从而实现了具有比传统调度更低的时延、较为灵活的资源的调度以及减轻了信息融合中心负载的视频直播系统。本专利技术的技术方案是：一种基于长短期记忆网络预测的视频直播系统，其特征在于：所述的视频直播系统包括若干用户模块、家庭基站、信息融合中心、若干感知节点及深度学习服务器。进一步的，所述用户模块是具体用户使用的智能移动设备；所述家庭基站是在其控制的范围距离内提供网络接入；所述用户模块通过家庭基站接入网络；所述家庭基站与用户模块之间通过无线通信连接；所述感知节点用于感知和收集周围无线环境中的频谱能量数据，并将感知和收集到的频谱能量数据传送给信息融合中心；所述的信息融合中心用于统一管理服务范围内的所有家庭基站、感知节点及感知节点感知和收集到的频谱能量数据；所述信息融合中心与家庭基站之间、信息融合中心与感知节点之间及信息融合中心与深度学习服务器之间均采用有线传输的通信方式；所述的深度学习服务器是运行深度学习框架与程序的高性能服务器，其用于负责训练深度学习模型并对其进行预测，从而得到预测的时隙数据。进一步的，所述深度学习模型，其结构基于长短期记忆网络；其中，所述深度学习模型在训练时对输入数据有一定要求，需要进行整理和整形；模型中引入记忆单元，历史数据也对结果起到一定的影响。进一步的，一种基于长短期记忆网络预测的视频直播系统的实现方法，包括以下步骤：步骤1：感知节点感知和收集周围无线环境中的频谱能量数据，并将感知和收集到的频谱能量数据传送给信息融合中心；步骤2：信息融合中心在接收到频谱能量数据后，对上述频谱能量数据进行整理和整形，打包成深度学习服务器接受的数据类型；步骤3：深度学习服务器将经过整理和整形后的频谱能量数据作为样本数据集，进行深度学习模型的训练，通过针对性的训练与调整超参数，完成深度学习模型的训练，达到预期参数指标；步骤4：在完成深度学习模型训练后，深度学习服务器继续接收信息融合中心传来的频谱能量数据并将其作为测试数据集，进行下一时隙的频谱能量数据的预测，其预测结果包括下述两种情况：当输入的测试数据集的预测结果是已知的，数据预测验证模型的正确性；当输入的测试数据集的预测结果是未知的，数据预测结果即是下一时隙的预测数据，从而获得预测数据集；步骤5：在得到预测数据集后，用户模块接入所述视频直播系统，申请使用通信服务，家庭基站向信息融合中心申请分配频谱资源；步骤6：信息融合中心在收到家庭基站申请分配频谱资源的请求后，分析预测数据集，得到频谱空洞的具体可用时隙；按照可用时隙的分布规律，进行频谱资源的调度；步骤7：用户模块与家庭基站在得到信息融合中心分配的可用频谱资源后，开始进行视频数据通信；步骤8：在传输数据的同时，监测用户服务质量是否达到不合格门限，当超过门限值时，则表明预测到的数据有误差且影响通信服务，当需要切换资源调度的模式时，则由预测数据集指导的资源调度模式更改为实时检测数据指导的资源调度模式。进一步的，所述资源调度模式的切换是一个双向过程；当预测数据集出现较大误差时，系统切换至实时检测数据模式；同时调整预测模型以及预测数据集，将预测数据与同时隙的实时检测数据进行对比，若连续多个时间结果相同，表明预测数据恢复有效性，则重新切换成预测数据集指导的资源调度模式。进一步的，结合软件无线电平台的视频直播实现与深度学习服务器的频谱资源调度。进一步的，本专利技术实现后达到了低时延、系统资源开销小以及资源调度灵活度高的有益效果。本专利技术包括深度学习模型训练与视频直播两部分；所述的深度学习模型训练为：感知节点收集无线环境频谱能量数据并将数据传送给信息融合中心，信息融合中心收到数据后进行数据整形并传递给深度学习服务器，深度学习服务器利用收到的数据进行深度学习模型训练以及数据预测，同时将预测结果返回给信息融合中心；所述的视频直播为：用户接入系统后，申请分配资源，信息融合中心参照预测数据集进行资源调度，用户模块在使用频谱资源的同时，系统监测用户服务质量是否达标，若未达标则切换资源调度模式，重新分配资源。本专利技术具有的有益效果：本专利技术适用于室内环境中，使用USRPRIO、LabView以及深度学习服务器进行一系列的系统设计与实验，有效地验证了本方案在室内环境中内能够几乎无损实现视频直播且通过预测频谱信息，提高频谱利用率。本专利技术中所设计的基于长短期记忆网络预测的视频直播系统与仅具有感知功能的实时系统相比，主要包括以下优点：(1)、系统时延低：实时系统是根据感知得到的本文档来自技高网...

【技术保护点】
1.一种基于长短期记忆网络预测的视频直播系统，其特征在于：所述的视频直播系统包括若干用户模块、家庭基站、信息融合中心、若干感知节点及深度学习服务器。/n

【技术特征摘要】
1.一种基于长短期记忆网络预测的视频直播系统，其特征在于：所述的视频直播系统包括若干用户模块、家庭基站、信息融合中心、若干感知节点及深度学习服务器。


2.根据权利要求1所述的一种基于长短期记忆网络预测的视频直播系统，其特征在于：
所述用户模块是具体用户使用的智能移动设备；
所述家庭基站是在其控制的范围距离内提供网络接入；所述用户模块通过家庭基站接入网络；所述家庭基站与用户模块之间通过无线通信连接；
所述感知节点用于感知和收集周围无线环境中的频谱能量数据，并将感知和收集到的频谱能量数据传送给信息融合中心；
所述的信息融合中心用于统一管理服务范围内的所有家庭基站、感知节点及感知节点感知和收集到的频谱能量数据；
所述信息融合中心与家庭基站之间、信息融合中心与感知节点之间及信息融合中心与深度学习服务器之间均采用有线传输的通信方式；
所述的深度学习服务器是运行深度学习框架与程序的高性能服务器，其用于负责训练深度学习模型并对其进行预测，从而得到预测的时隙数据。


3.如权利要求1和2所述一种基于长短期记忆网络预测的视频直播系统的实现方法，其特征在于：包括以下步骤：
步骤1：感知节点感知和收集周围无线环境中的频谱能量数据，并将感知和收集到的频谱能量数据传送给信息融合中心；
步骤2：信息融合中心在接收到频谱能量数据后，对上述频谱能量数据进行整理和整形，打包成深度学习服务器接受的数据类型；
步骤3：深度学习服务器将经过整理和整形后的频谱能量数据作为样本数据集，进行深度学习模型的训练，通过针对性的训练与调整超参数，完成深度学习模型的训练，达到预期参数指标；
...

【专利技术属性】
技术研发人员：田峰，石巧稚，凌海涛，周亮，杨震，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32