next up previous contents index
Next: Descriptions de notre nouvelle Up: Introduction Previous: Les contributions de cette   Contents   Index


Vue d'ensemble de la dissertation

Dans cette section, nous avons présenté les motivations et le contexte des problèmes que nous abordons dans la thèse. Le reste de ce chapitre est organisé comme suit. Dans la section 1.2, nous présentons une nouvelle méthode pour mesurer en temps réel la qualité de multimédia transmis en temps réel sur un réseau de paquets. Nous fournissons la méthodologie générale qui peut être appliquée pour la parole, l'audio et/ou la vidéo. Nous présentons également les techniques les plus utilisées pour évaluer la qualité subjective de multimédia. Nous nous concentrons sur l'utilisation des réseaux de neurones et nous comparons ANN et RNN dans le contexte de nos problèmes. Nous décrivons également quelques utilisations et applications possibles de notre méthode. En section 1.3, nous évaluons l'applicabilité de notre technique pour évaluer en temps réel la qualité de la parole. Nous présentons les résultats des expériences que nous avons effectuées entre plusieurs sites pour identifier les plages typiques des paramètres de réseau. Dans la section 1.4, nous analysons l'applicabilité de notre technique pour évaluer la qualité de la vidéo. Dans la section 1.5, nous étudions l'impact des paramètres sur la qualité perçue. En 1.6, nous proposons un protocole de contrôle de débit qui tient compte de la perception d'utilisateur aussi bien que des mesures traditionnelles de réseau pour fournir la meilleure qualité en temps réel étant donné l'état actuel de réseau. Nous fournissons une liste des paramètres possibles qui peuvent être employés pour les applications de type vidéo et audio. En section 1.7, nous fournissons une nouvelle méthode pour la prévision du trafic. Nous comparons notre approche à celles existantes et nous l'évaluons en employant de vraies traces. Dans la section 1.8, nous présentons deux nouveaux algorithmes d'apprentissage pour améliorer la performance et la précision des RNN. Nous évaluons ces algorithmes et nous les comparons également à l'algorithme traditionnel de type ``gradient descente''. En conclusion, nous donnons les conclusions de cette thèse et quelques perspectives de recherches liées aux problèmes abordés au cours de ce travail dans la section 1.9.
next up previous contents index
Next: Descriptions de notre nouvelle Up: Introduction Previous: Les contributions de cette   Contents   Index
Samir Mohamed 2003-01-08