大规模粒子群算法及其在视频流量特征选择中的应用研究

发布时间：2021-01-05 03:23

　　随着互联网技术的飞速发展,网络视频的传播范围变得越来越广,网络视频中包含的五花八门的信息,也就不知不觉中影响着人们的认知和观念。因此,对互联网视频流量进行有效识别并控制不良视频的传输就显得格外重要。然而,在互联网视频流量的识别过程中,无论是采集视频流的数据包大小还是其他流层面的数据,其特征的数量都是成百上千的,且这些特征中包含着大量的无关信息和冗余信息影响着识别的效果。而特征选择可以很好的处理无关信息和冗余信息。优化算法是一种非常有效的特征选择算法,它可以对数据的每一维特征都进行评估,然后去除无关信息和冗余信息,选择出对识别分类最有效的信息。但是一般的优化算法无法处理大规模数据且优化过程较长。本文的主要研究目的就是研究一种优化速度快的大规模粒子群优化算法对网络视频流数据进行特征选择,并通过实现对不同类型视频流量数据的识别来验证选择的特征的有效性。主要的研究内容则是通过采集不同类型的互联网视频流数据,研究一种对视频流数据进行快速有效特征选择的大规模优化算法,从而实现对不同类型视频的识别。本文的主要研究点和创新点体现在以下三个方面:（1）不同类型的互联网视频流量数据的采集与原始特征提取由于... 

【文章来源】：济南大学山东省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

论文研究技术路线

图 2.1 数据采集架构在本文研究中，考虑了四种类型的视频：爱情、动作、动漫和游戏。在 2017 年至 2018 年 7 月期间，客户端访问了互联网视频网站，并不时的播放这四种类型。当客户端计算机正在播放目标视频时，所有其他网络应用程序都被停止以避免

图3.1粒子群算法流程图

【参考文献】：
期刊论文
[1]大IP时代的网络视频及视频网站流量分析方法[J]. 陆烨.  新媒体研究. 2017(08)
[2]基于UDP流量的P2P流媒体流量识别算法研究[J]. 董仕,王岗.  通信学报. 2012(12)

博士论文
[1]基于机器学习的流量识别关键技术研究[D]. 彭立志.哈尔滨工业大学 2015

硕士论文
[1]基于深度学习的视频内容识别技术研究[D]. 何庆强.电子科技大学 2017
[2]大流量音视频数据的识别技术研究[D]. 孙彦斌.哈尔滨工业大学 2011



本文编号：2957926