预测丢包率的优化方法

HMM虽然能够有效地描述丢包率p与网络状态的关系，但其状态转移概率矩阵A和混淆矩阵B的每一个概率值都是与时间无关的。事实上，视频传输过程中的网络状态及视频数据的丢包率都是处于动态的变化过程中，HMM中的状态转移矩阵和混淆矩阵需要每隔一个时间段进行一次更新。换言之，这是HMM参数获取的问题，也即HMM的训练问题。首先，在上述对丢包率p采用模糊C均值聚类算法进行聚类的基础上，为提高预测的精度，将网络状态按负载从高至低划分为5 类，分别对应HMM中各隐含状态，即X=｛xi，i=1，2，3，4，5｝。然后，为求取状态转移概率矩阵A与混淆矩阵B，利用时间段T内测量得到的网络状态xi，其中i=1，2，3，4，5，作为初始训练样本，采用Baum-Welch 算法对HMM进行训练，以得到矩阵A与B。初始概率π=｛πi，i=1，2，3，4，5｝直接由初始样本计算，再按式（3.29）计算t时刻（t=0，1，2，…，T）状态转移的数学期望，可表示为

其中，分别为前向和后向变量。然后采用最大似然估计得到HMM参数的一次更新，即

由式（3.31）、（3.32）、（3.33）得到的结果为较优的HMM参数，即分别为新的π、A及B。反复进行上述迭代过程，并根据前后两次由Viterbi算法得到的max[δk-1（i）]的差值是否小于阈值ω来终止此过程。

由上述方法获得HMM最终的参数A、B、π后，下一个时间段F内的网络状态可由下式进行计算：(www.xing528.com)

进而有

则下一时间段F内对应的丢包率p为

其中，i∈[1，5]。