Модель мультимедийного трафика, использующая многомерные плотности распределения вероятности наблюдаемых состояний

Баранов В. А., Крюков О. В., Щербаков В. С.

Читать статью полностью

  Модель мультимедийного трафика, использующая многомерные плотности распределения вероятности наблюдаемых состояний(7,68 MB)

Аннотация

В статье представлен анализ статистических характеристик источников, используемых в системе видеоконференцсвязи. Выявлено наличие зависимости между типами источника информации в сеансах видеоконференцсвязи и характеристиками трафика. Для описания сложной формы полученных полигонов частот предложена модель конечной смеси вероятностных распределений. Для описания взаимосвязи между типами источника и наблюдаемыми статистическими характеристиками трафика видеосвязи использован аппарат скрытых марковских моделей (СММ). Расширен аппарат СММ, введена СММ с несколькими наблюдениями.

Ключевые слова:

система видеоконференцсвязи; многомерные случайные наблюдения; гауссовская плотность распределения; скрытая Марковская модель

Список литературы

1. Internet traffic modeling by means of Hidden Markov Models / A. Dainotti [et al] // Computer Networks. – 2008. – V. 52. – N. 14. – P. 2645–2662.

2. McLachlan, G. Finite mixture models / G. McLachlan, D. Peel. – John Wiley & Sons, 2004.

3. Прикладная статистика: Классификация и снижение размерности. Справ. изд. / С.А. Айвазян [и др.] ; под ред. С.А. Айвазяна. – М.: Финансы и статистика, 1989. – 607 с.

4. Королев, В. Ю. ЕМ-алгоритм, его модификации и их применение к задаче разделения смесей вероятностных распределений. Теоретический обзор / В.Ю. Королев. – Москва: ИПИ РАН, 2007. – 94 с.

5. Вентцель, Е. С. Теория вероятностей: Учеб. для вузов / Е.С. Вентцель. – 5-е изд. стер. – М.: Высш. шк., 1998. – 576 с.

6. Rabiner, L. A tutorial on hidden Markov models and selected applications in speech recognition / L. Rabiner // Proceedings of the IEEE. – 1989. – V. 77. – N. 2. – P. 257–286.

7. Rabiner, L. Fundamentals of speech recognition / L. Rabiner, B. Juang. – Englewood Cliffs : PTR Prentice Hall, 1993. – V. 14.

8. Фихтенгольц, Г. М. Курс дифференциального и интегрального исчисления: Том 3 / Г.М. Фихтенгольц – М.: Физматлит, 2008. – 728 с.

9. Математический анализ. Продолжение курса / В.А. Ильин [и др.]; под ред. А.Н. Тихонова. – М.: Изд-во МГУ, 1987. – 358 с.

10. Ветров, Д. П. Автоматическое определение количества компонент в ЕМ-алгоритме восстановления смеси нормальных распределений / Д.П. Ветров, Д.А. Кропотов, А.А. Осокин // Ж. вычисл. матем. и матем. физ. – 2010. – Т. 50. – № 4. – С. 1–14.

11. Бенинг, В. Е. Асимптотически оптимальный критерий проверки гипотез о числе компонент смеси вероятностных распределений / В.Е. Бенинг, А.К. Горшенин, В.Ю. Королев // Информатика и еe применения. – 2011. – Т. 5. – № 3. – С. 4–16.

12. Горшенин, А. К. О применении асимптотических крите- риев для определения числа компонент смеси вероятностных распределений / А.К. Горшенин // Компьютерные иссле- дования и моделирование. – 2012. – Т. 4. – № 1. – С. 45–53.