优化DBNB_SI算法的设计

Suvendu Rup[28]等通过对大量的实验结果进行分析，指出连续视频序列中相邻帧间像素的运动具有非线性的特征。同时，Suvendu Rup 为提高分布式视频编码在无线传输环境下的稳定性，对利用人工神经网络生成边信息的方法也进行了尝试，但其在精度、率失真性能等方面仍存在很多的不足。对此，为充分利用深度信念网络训练时间短、效率较高的优势，相应的边信息求取算法如图9-5所示。

图9-5 DBNB_SI算法的基本流程

在DBNB_SI算法中，为提高预测精度，采用当前帧前后各两个关键帧对边信息进行预测，其目的是提高WZ帧的重建质量，减少解码端的请求次数，使分布式视频编码能更好地克服无线传输环境下网络服务质量不稳定的问题。同时，为提高训练和计算效率，将当前帧前后各两个关键帧中16 ×16 的块作为输入信息。在实际应用时，首先采用不同运动特征的视频序列对深度信念网络进行训练。确定网络中的参数后，再通过该网络在接收端对分布式视频中的边信息，即WZ帧进行计算。DBNB_SI算法的具体流程如下：

（1）采用具有不同运动特征的视频序列组建训练样本；(www.xing528.com)

（2）以训练样本中的不同类型的视频序列对深度信念网络进行训练，并使用Contrastive Wake-Sleep 算法完成其调优过程，确定网络参数；

（3）将当前帧（第i帧）的前后各两帧，即第i-1，i-2，i+1，i+2 个关键帧划分成16 ×16 的块；

（4）在分布式视频解码器中，以解码后的当前帧（第i帧）前后第i-1，i-2，i+1，i+2 个关键帧作为深度信念网络的输入，经网络处理并输出后得到对应的WZ帧；

（5）以输出的WZ帧作为边信息，完成分布式视频的WZ帧的解码操作。

值得指出的是，学习速率对网络的性能有较大的影响，在实际应用时，经过多次实验，我们将其值取为0.027。本质上，其训练是一个迭代的过程，本章根据经验值将各层的训练次数设为40 次。