Back to search

National and Kapodistrian University of Athens

ML-based Adaptive Video Streaming techniques for 5G and beyond mobile data networks

Abstract

dc:description

Μια εφαρμογή τεχνητού νευρωνικού δικτύου για προσαρμοστική ροή βίντεο έχει χρησιμοποιηθεί και μελετηθεί για αρκετά χρόνια. Ωστόσο, για ορισμένες εφαρμογές, είναι ακόμη υπό ανάπτυξη και έχουν γίνει μια από τις ακαδημαϊκές και βιομηχανικές ερευνητικές γραμμές στη μηχανική μάθηση. Μία από αυτές τις εφαρμογές επικεντρώνεται στην αντίληψη των τελικών χρηστών για προσαρμοστικές τεχνικές ροής βίντεο σε δίκτυα κινητής τηλεφωνίας 5G. Αυτή η διατριβή εξετάζει πώς αντιπροσωπεύονται διαφορετικές τοπολογίες νευρωνικών δικτύων, με στόχο να επηρεάσουν την ανάπτυξη μοντέλων πρόβλεψης QoE για ροή βίντεο. Επιπλέον, αυτό το έγγραφο παρουσιάζει μια αρχιτεκτονική νευρωνικού δικτύου αιχμής για στόχους πρόβλεψης QoE που συνδέει το στρεπτικό στρώμα με το αμφίδρομο επίπεδο LSTM. Για σύγκριση, η αποτελεσματικότητα αρκετών προηγουμένως προτεινόμενων μοντέλων νευρωνικών δικτύων - ένα δίκτυο τριών επιπέδων CNN και ένα δίκτυο δύο επιπέδων LSTM perceptron - έχει δημιουργηθεί και αξιολογηθεί. Για να εξηγήσει τις υπερπαραμέτρους και τις τοπολογίες τους, αυτή η διπλωματική εργασία παρουσίασε δύο στρώματα biLSTM, τριεπίπεδα FNN και μικτά μοντέλα CNN και LSTM QoE. Αυτά τα μοντέλα νευρωνικών δικτύων εκπαιδεύτηκαν χρησιμοποιώντας πραγματικά πειραματικά δεδομένα από το Πανεπιστήμιο του Τέξας στο inστιν - Βάση δεδομένων QoE βίντεο LIVE NETFLIX του εργαστηρίου Image and Video Engineering Lab. Τα αποτελέσματα προσομοίωσης αξιολογήθηκαν χρησιμοποιώντας μετρήσεις PCC, SROCC και RMSE για να αποδειχθεί η αποτελεσματικότητα της ακριβούς πρόβλεψης QoE για ένα προσαρμοστικό σύστημα ροής βίντεο 5G. Επιπλέον, υπολογίστηκε η πολυπλοκότητα της προτεινόμενης αρχιτεκτονικής των νευρωνικών δικτύων. Μετά την ανάλυση των αποτελεσμάτων σύγκρισης των μελετημένων μοντέλων QoE, το μοντέλο FNN παρείχε το καλύτερο επίπεδο ακρίβειας πρόβλεψης βάσει της αξίας RSME και, ταυτόχρονα, κατέλαβε ένα από τα χαμηλότερα επίπεδα υπολογιστικής πολυπλοκότητας. Αυτό υποδεικνύει ότι το FNN μπορεί να είναι η καλύτερη μέθοδος για την πρόβλεψη QoE για ροή βίντεο 5G λόγω της σχετικά χαμηλής πολυπλοκότητάς του και της ανταγωνιστικά υψηλής ακρίβειας πρόβλεψης.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Ρατζάμποφ Αχμαντζόν
  • Rajabov Akhmadjon

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:2963398

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Ρατζάμποφ Αχμαντζόν; Rajabov Akhmadjon. ML-based Adaptive Video Streaming techniques for 5G and beyond mobile data networks. 2021. https://pergamos.lib.uoa.gr/uoa/dl/object/2963398