دانلود شبیه سازی مقاله سیستم محلی سازگار برای هماهنگ سازی مقایسه کیفیت اهداف

هماهنگ سازی مقایسه کیفی بر اساس سیستم محلی سازگار با یادگیری ماشین

پیشرفت  فن آوری اطلاعات باعث افزایش انتظارات کاربران نسبت به کیفیت تصویر خدمات چند رسانه ای شده است. با این حال، در طول انتشار تصاویر، کیفیت تصویر ارسال شده ممکن است کاهش یابد. عمدتا به دلیل فشرده سازی یا خطاهای انتقال کیفیت تصاویر کاهش می یابد.  به منظور رضایت کاربران نهایی و افزایش کیفیت خدمت، کیفیت تصویر باید مستمر مورد ارزیابی قرار گیرد.

معیارهای هدف برای پیش بینی خودکار پیش بینی کیفیت ادراک تصاویر و فیلم ها، می تواند زمان و هزینه های مورد نیاز نظارت بر کیفیت آن را کاهش دهد. برای پیش بینی های کیفی قابل اعتماد، این اقدامات کیفیت عینی نیاز به هماهنگی با رفتار سیستم بصری انسان (HVS) دارند.

در عمل، بسیاری از مکانیزم های HVS مهم هستند که به طور مستقیم مدل سازی می شوند. در عوض، آنها می توانند توسط سیستم های یادگیری ماشین، آموزش داده شده در پایگاه های ارزیابی کیفیت ذهنی، و با استفاده از اقدامات کیفیت پیش تعیین شده برای محتوای خاص یا کلاس های اعوجاج اعمال شوند.

ایراد سیستم های یادگیری ماشین اغلب این است که برای تفسیر دشوار است و حتی ممکن است با اقدامات اندازه گیری کیفیت هدف ورودی، منجر به پیش بینی کیفیت غیر قابل اعتماد شود. برای حل این مشکل، یک سیستم یادگیری ماشین قابل تفسیر برای ارزیابی کیفیت هدف، یعنی همجوشی سازگار محلی (LAF) در این مقاله ایجاد شده است.

این مقاله سیستم LAF را توصیف می کند و عملکرد آن را با یادگیری ماشین سنتی مقایسه می کند. همانطور که معلوم است، سیستم LAF بیشتر با اقدامات ورودی سازگار است و می تواند داده های آموزشی heteroscedastic را بهتر اداره و ارزیابی کند. نتایج حاصل از خروجی شبیه سازی ها نشان از بهبود عملکرد سیستم و افزایش بهره وری سیستم در مدل پیشنهادی دارد و نسبت به روش های قبلی کیفیت سرویس را بهبود بیشتری بخشیده است.

سیستم وفقی-یادگیری ماشین