一、引言
从只提供单一话音和低速电路交换数据业务的2G网络到能提供分组交换数据业务的2.5G网络，移动通信正在向采用分组交换、承载不同QoS要求业务的3G网络演进。第三代移动通信网络可以提供速率达2Mbit/s甚至更高的带宽，支持高质量话音业务及各类高速数据业务，3G所提供的缤纷数据业务特别是多媒体业务势必将成为吸引用户的一大亮点。
对于运营商或厂商，在3G网络即将部署之际，为了能更好地提供具有不同QoS要求的多媒体业务，迫切需要深入理解业务的特性及其对网络性能的要求和影响，而这离不开对业务基本特性的建模，因为精确的业务模型是进一步研究和确定无线资源管理策略和算法的重要基础。同时，符合业务特性的分析建模也能为网络规划设计提供客观、可靠的定量依据，从而有效指导网络建设。
本文根据 视频 数据 压缩编码 后的特性，分析总结了视频源拟合特性的种类，并在此基础上对视频业务源建模方法进行了归纳总结，概括了不同方法的优缺点，以指导不同实际场景下视频模型的选取。
二、视频 业务建模
视频压缩编码的目的是要去除图像在时间和空间上的冗余，以减少所需的传输带宽。通过压缩 编码所生成的可变比特速率（VBR）图像数据具有以下特性[1]：
● 由图像本身的复杂度和被摄物体或摄像机的移动导致的比特率的显著变化，它可以通过分析固定时长内(如每帧)比特数的概率分布函数（PDF）观察到。
● 由同一组场景内各帧内容的相似性引起的短期相关（SRD），它反映在间隔时间较小时，图像时间序列的自相关系数取值较大。
● 对属于不同场景但具有相似运动级别和图像复杂度的帧，具有长期相关性（LRD），它反映在自相关函数的慢(双曲)衰减上。
为了体现这些特性，对图像业务源的建模工作，可以从以下某一方面或几方面进行拟合：
● 匹配PDF法：即产生一个与被模仿的图像样本具有相同直方图的随机过程。
● 匹配SRD法：这种模型具有指数(快)衰减自相关函数，但它仅与实际序列时间间隔较小时的自相关函数相符。
● 匹配LRD法：即对自相关函数在时间间隔较大时甚至趋于无穷时的特性加以拟合建模。
三、视频业务建模类型
我们根据对图像特性拟合角度的不同，将各种图像业务源模型分为以下四大类[1-3]：
1．只近似PDF的模型类
这是一种较简单的建模方法，只对数据源的一阶统计特性进行匹配。这种模型首先对实际数据源所含的帧进行分类，对每种类型的帧先产生一个与之同均值、同方差的高斯噪声。由于实际图像信号的PDF一般偏左(低值部分)，在此基础上再用gamma，Weibull，lognormal和Pareto等分布函数精确匹配PDF的形状[4-5]。
2．同时匹配SRD和PDF的模型类：
这类模型又可分为以下两类：
（1）马尔可夫/线性回归类：
这两种过程都能反映SRD特性。马尔可夫过程稳态时能产生不同的PDF分布。而自回归过程AR经常基于高斯随机变量产生高斯分布的序列，要想得到不同于高斯分布的PDF分布，还需进一步进行PDF直方图的转化匹配。
马尔可夫过程的当前状态只依赖于它的前若干状态，而与别的状态无关。如果它的状态空间是无限可数或有限，就叫马氏链。因此在帧一级层次上，可以用马氏链的状态表示比特率（图象序列比特率的大致范围）进行建模[6]。
马氏链还常用于调制其它过程，如贝努力、泊松或AR。对不同过程，马尔可夫链的状态代表不同的参数集。而在某状态时，模型将根据特定过程（贝努力等）以特定参数集产生样本。此状态保持一定时间后再切换到另一不同的状态，用不同的参数集产生样本。这种类型的模型叫做Markov-modulated或Markov-modified模型，它们在场景一级层次上的模型具有一定的LRD特性。如Markov-modulated Bernoulli process (MMBP)和Markov-modulated Poisson process(MMPP)，Markov renewal process(MRP)[7]。
AR(1)可看作是连续状态、时间离散的马尔可夫过程，基于它的模型有[8]。而AR过程是ARMA（加一个移动平均过程）的特例。ARMA（p,q）中p是AR的阶数，q是MA的阶数。ARMA过程是具有零均值，方差为1的有色高斯过程，即自相关函数不是从纯高斯过程而来。基于它的模型有[9]。
还有一些基于马氏链和自回归的复合类模型，如DAR模型[10]，GBAR模型[11]，MC/AR模型[12]等。其中[12]模拟了部分场景的变化，具有一定程度的LRD特性。
www.55dianzi.com
（2）TES（transform-expand-sample）类模型：
这类模型能反映SRD，还能精确匹配任意边缘分布。这类模型首先产生一个辅助后台过程，它代表基于模1运算的位于单位圆上的随机行走，用于匹配自相关函数，由它再经过扭曲函数，最后进行直方图反变换得到所需的前台过程。这种方法有专门的软件和算法，缺点是参数不易估计且不易于理论分析[1]。
采用这种方法建立的模型有：H.261GOB级 视频 会议模型[13]；针对帧和slICe级的G-TES模型[14]；针对MPEG帧层的C-TES模型[15]；针对帧层建模的马氏调制过程MRMT模型[16]。
3．匹配LRD和PDF的模型类：
对于VBR图像数据，无论样本时间间隔有多大，样本都会呈现出一种自相似现象。自相似过程的一个重要二阶统计特性是LRD[17]。
自相似过程具有非退化相关结构或者说有LRD，它用一个自相似尺度或者说Hurst参数表征。自相似是指在大范围的时间尺度上具有相似的统计特性，且表现为：
（1）长期记忆或LRD，自相关函数非退化，表现为以双曲函数下降（而SRD是按指数下降）
（2）功率谱密度（自相关函数的傅氏变 换）在频率趋近0时无界。
FBM（fractional Brownian motion）模型[18]，FGN（fractional Gaussian noise）模型[19]，FARIMA（fractional ARIMA）模型[20]，就是严格进行LRD和PDF匹配的模型，这些模型的缺点是在相当程度上忽视了SRD特性。
4．同时匹配SRD、LRD和PDF的模型：
这类模型能够同时捕获LRD和SRD及PDF特性，它们首先对实际的图像样本序列进行一阶和二阶统计，然后根据二阶统计结果对SRD和LRD自相关特性分别予以数学描述，再按不同方法得到符合此特性的辅助序列，最后对直方图进行反变换以得到具有所需PDF的序列。
这类模型包括：基于Hosking取样过程的模型[21]，对SRD和LRD统一建模的改进型FARIMA模型[22]，小波变换模型[23]。前两种模型的计算复杂度是O（N2），后一种模型的计算复杂度为O（N），在相同计算机上分别用第二、三种方法产生同样长度的数据源，耗时分别为六小时和三分种[24]。
其中，基于小波变换的帧级模型通过小波系数的构造，在小波域能够精确捕获图像的SRD和LRD特性，但它所需的参数较多，需要分别提取16个尺度上小波系数的AR模型参数。文献[25]在此基础上提出了基于小波变换的GOP级模型，它在小波域对MPEG-4图像的GOP组大小进行建模，帧大小按固定比例从GOP组大小中恢复，模型虽然得到了简化，但所产生数据的帧级一阶统计特性和二阶特性均不够精确。文献[26]提出了一种新的基于Hadamard变换的帧级模型，它有效利用了MPEG-4视频数据的帧结构特征，所需参数比基于小波的帧级模型减少了1/2，并且能够精确匹配MPEG-4视频图像的统计特性。
四、结束语
未来移动通信能够在更大的带宽上为用户提供丰富的多媒体业务。运营商需要根据用户的业务需求，进行合理的网络规划部署。通过 业务建模 仿真，能够有效了解业务特性及其对网络的要求，指导网络实际建设避免投资浪费。
本文关键字：暂无联系方式综合-其它，单片机-工控设备 - 综合-其它
