【技术实现步骤摘要】
本专利技术属于通信技术应用，具体而言，涉及一种融合qos参数及感知因素的音频qoe评估方法。
技术介绍
1、互联网技术的蓬勃发展带来了网络平台的不断繁荣，音频业务作为众多网络平台的主流业务重要组成部分，准确评估音频用户体验质量(quality of experience,qoe)，对保障和提升音频qoe至关重要。其中时延和抖动是影响用户qoe的重要参数。过高的时延会导致用户端音频卡顿、信息获取出现延迟等多种问题。抖动会导致数据包丢失甚至通信中断。同时，在音频qoe的评价中也需要考虑用户感知因素的影响。
2、人工智能技术的不断发展与突破，为用户体验质量的准确评价提供了新的可行空间。机器学习作为人工智能技术的一个重要分支，为解决qoe影响因素与用户体验的非线性关系解析上提供了有效途径。然而目前现有对音频qoe评估的方法大多是基于网络服务质量(quality of service,qos)参数进行评估，对用户主观感知因素的考虑不足。
技术实现思路
1、为了克服上述问题，本专利技术提供一种融合qos参数及感知因素的音频qoe评估方法，本专利技术采用机器学习从多维度对音频qoe进行评估，将时延qos、抖动qos和用户感知因素作为影响音频qoe评价的关键指标，利用机器学习思想构建音频业务qoe三维评价模型，实现对音频业务qoe的评估，以保障用户体验质量；在提升音频qoe评估的合理性及准确性上具有一定的意义。
2、为了实现上述目的，本专利技术的技术方案如下：
4、步骤1，将通信系统的到达过程和服务过程统一建立成数据包级别的排队系统模型，通过分析系统队列演化的马尔科夫链对不同到达下的时延qos和抖动qos进行评估，具体内容如下：
5、步骤1.1，建立数据包级别的排队系统模型，根据具体通信场景描述数据包的服务过程和到达过程，建立刻画系统队列演化的马尔科夫链；
6、步骤1.2，分析排队系统队列演化的马尔科夫链，对不同到达下的时延qos和抖动qos进行评估；根据排队系统的联合稳态概率分布，按下式求得排队系统队长的稳态概率分布p(n)、排队系统平均队长l、排队系统队长的均方值m、排队系统时延d、排队系统抖动j：
7、
8、
9、
10、
11、
12、其中，n为排队系统队列中数据包的数目，ɑ为马尔科夫链所处的状态，p(ɑ，n)表示二维马尔科夫链处于ɑ状态的队长稳态概率分布；k为队列可能达到的最大长度，c为排队系统吞吐量；
13、步骤2，对用户当前所处环境进行评价，采用模糊综合评价法量化外界环境因素、用户心情因素和期望值因素三个用户感知因素对用户感知环境的影响，具体内容如下：
14、建立模糊综合评价影响因素集及评价集，其中模糊综合评价影响因素集为ui＝(u1,u2,u3)，i＝1、2、3，其中u1表示外界环境因素，u2表示用户心情因素，u3表示期望值因素；三个影响因素的量化均通过用户选择评价集vj中的评分数值来评定；其中评分数值按下述方法求得：
15、将每个因素的评价分为5个等级，集合表示为vj＝(v1,v2,…,v5)，j＝1、2、3、4、5，对应五个分值，其中v1＝1,v2＝2,v3＝3,v4＝4,v5＝5；
16、进行单因素模糊评价，用模糊集合表示为；
17、
18、其中，hij表示用户对因素ui打分为vj的概率；其中h11表示用户对外界环境因素打1分的概率；h12表示用户对外界环境因素打2分的概率；h21表示用户对用户心情因素打1分的概率；h31表示用户对用户期望值打1分的概率，依此类推；
19、通过收集外界环境因素、用户心情因素和期望值因素对用户处于当前环境的感知数据即模糊集合后，将模糊集合进行归一化处理得到因素权向量b＝[b1,b2,b3]；
20、通过模糊向量计算公式r＝b·m，求出用户的整体模糊综合评价影响因素对vj＝(v1,v2,…,v5)的隶属度向量r，其中：
21、
22、其中，rw表示用户从整体模糊综合评价影响因素集ui来看对评价集vj的隶属度，w＝1,2,3,4,5；
23、确定用户心情评价分值s＝v1·r1+v2·r2+v3·r3+v4·r4+v5·r5；
24、步骤3，采用机器学习算法，综合考虑客观qos参数及主观感知因素建立qoe评价系统模型，实现音频qoe评价；
25、将收集到的已知的排队系统时延d、排队系统抖动j、用户心情评价分值s的样本点全部映射到三维评价模型中，令x轴对应样本的时延qos即排队系统时延d，y轴对应样本抖动qos即排队系统抖动j，z轴对应用户心情评价分值s；
26、采用机器学习中的最临近节点算法，对其qoe等级进行统计和区域划分；为了判断未知样本的qoe等级，以所有已知qoe等级的样本作为参照，计算未知标签样本与所有已知标签样本的距离，通过距离排序，从中选取与未知标签样本距离最近的k个已知标签样本，根据少数服从多数的法则，将未知标签样本与k个最邻近样本中所属qoe等级占比最多的归为一类；
27、最后，将上述未知标签样本经三维评价模型评估后所得到的qoe等级结果与用户期望的qoe等级作比较；如果小于期望的qoe等级，则增加系统的网络服务资源；如果大于期望的qoe等级，则减小系统的网络服务资源。通过对比实际qoe等级和期望qoe等级，调整网络的服务资源分配，可以提高带宽资源利用率，为实现高效保障音频业务qoe提供指导。
28、所述步骤3中采用机器学习中的最临近节点算法，对其qoe等级进行统计和区域划分；具体内容如下：
29、将已知时延qos、抖动qos、用户心情评价分值s的样本作为打上已知qoe等级标签的样本，构成已知样本点数据集，在对未知标签样本进行评估的过程中，需计算未知标签样本点与已知标签样本点之间的距离，在距离计算过程中采用欧氏距离计算方法，其中，xt，yt，zt分别表示未知标签样本的时延qos，抖动qos，用户心情评价分值三个特征值，xu,yu,zu分别表示已知样本点数据集中第u个已知标签样本的时延qos，抖动qos，用户心情评价分值三个特征值，距离du计算公式如下：
30、
31、将与未知标签样本距离最邻近的k个已知标签样本筛选出来，根据少数服从多数的原则，将未知标签样本与筛选出的k个距离最邻近的已知标签样本所属qoe等级最多的归为同一qoe等级。
32、本专利技术的有益效果：
33、本专利技术通过建立数据包级别的排队系统模型，分析马尔科夫链并对系统时延qos和抖动qos进行评估，同时利用模糊评价法对用户感知因素进行评价。本专利技术利用机器学习算法构建三维的qoe评估系统模型，实现降维数据，可以更加准确的评估音频业务的qoe等级。
本文档来自技高网...【技术保护点】
1.一种融合QoS参数及感知因素的音频QoE评估方法；其特征在于，具体内容如下：
2.根据权利要求1所述的一种融合QoS参数及感知因素的音频QoE评估方法；其特征在于，所述步骤3中采用机器学习中的最临近节点算法，对其QoE等级进行统计和区域划分；具体内容如下：
【技术特征摘要】
1.一种融合qos参数及感知因素的音频qoe评估方法；其特征在于，具体内容如下：
2.根据权利要求1所述的一种融合qos参数...
【专利技术属性】
技术研发人员：孙洪亮，王超，刘志辉，赵创业，
申请(专利权)人：吉林化工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。