| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 固定码率视频QoE研究现状 | 第13-14页 |
| 1.2.2 自适应码率视频QoE研究现状 | 第14-16页 |
| 1.3 本论文的主要研究内容 | 第16-17页 |
| 1.4 本论文的组织结构 | 第17-18页 |
| 2 论文相关知识介绍 | 第18-31页 |
| 2.1 DASH流媒体技术 | 第18-20页 |
| 2.2 机器学习算法 | 第20-24页 |
| 2.2.1 决策树算法 | 第21-22页 |
| 2.2.2 随机森林算法 | 第22-23页 |
| 2.2.3 支持向量机算法 | 第23页 |
| 2.2.4 k近邻算法 | 第23-24页 |
| 2.3 机器学习平台 | 第24-27页 |
| 2.3.1 Anaconda的安装使用 | 第24-25页 |
| 2.3.2 Scikit-Learn库 | 第25-27页 |
| 2.4 机器学习性能评估方法 | 第27-30页 |
| 2.4.1 可选度量 | 第27-29页 |
| 2.4.2 接受者操作特性曲线 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 PPTV视频用户体验质量研究 | 第31-43页 |
| 3.1 数据集介绍 | 第31-32页 |
| 3.2 数据预处理 | 第32-33页 |
| 3.3 视频数据分析 | 第33-37页 |
| 3.3.1 各数据特征统计分析 | 第33-36页 |
| 3.3.2 用户QoE量化 | 第36页 |
| 3.3.3 各数据特征与用户QoE的相关性分析 | 第36-37页 |
| 3.4 用户体验质量预测模型 | 第37-41页 |
| 3.4.1 模型构建 | 第38页 |
| 3.4.2 模型性能评估 | 第38-41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 LTE网络下DASH视频用户体验质量研究 | 第43-63页 |
| 4.1 待测量数据介绍 | 第43-44页 |
| 4.1.1 LTE网络质量参数 | 第43-44页 |
| 4.1.2 DASH视频播放信息 | 第44页 |
| 4.2 实验平台 | 第44-50页 |
| 4.2.1 整体架构 | 第45-47页 |
| 4.2.2 实验设备及方法 | 第47-49页 |
| 4.2.3 QoE量化方法 | 第49-50页 |
| 4.2.4 测量数据预处理 | 第50页 |
| 4.3 测量数据分析 | 第50-54页 |
| 4.3.1 LTE网络质量参数分析 | 第51-53页 |
| 4.3.2 LTE网络质量参数与用户QoE相关性分析 | 第53-54页 |
| 4.4 用户体验质量预测模型研究 | 第54-60页 |
| 4.4.1 QoE映射模型研究 | 第55-57页 |
| 4.4.2 QoE预测模型研究 | 第57-60页 |
| 4.5 模型应用场景分析 | 第60-61页 |
| 4.6 本章小结 | 第61-63页 |
| 5 总结及展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63-64页 |
| 5.1.1 PPTV视频用户QoE预测研究 | 第63-64页 |
| 5.1.2 DASH视频用户QoE预测研究 | 第64页 |
| 5.2 未来工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |