1.视频业务中基于多层神经网络的用户体验质量的预测方法，其特征在于，所述方法包括如下步骤：步骤1：数据预处理：选择视频业务中影响用户体验的特征参数，根据用户的报障/非报障，将其映射为用户的QoE，当QoE为1时，表示用户对所用业务满意，而当QoE为0时，用户不满意；

步骤2：建立多层神经网络的QoE预测模型：该神经网络包含五层，从低到高依次为：输入层—第一隐层—第二隐层—第三隐层—输出层，多层神经网络的第l层的第i个神经元的输出为：在上式中， 表示神经网络的第l层的第i个神经元的输出， 表示神经网络的第l-1层的输出， 表示第l层的第i个神经元的权重， 表示第l层第i个神经元的的偏差，f(·)表示激活函数；

步骤3：训练QoE预测模型：输入预处理后的数据，获得模型的最佳参数值，训练步骤2建立好的神经网络模型；

步骤4：完成用户体验质量QoE预测，具体包含：

(4-1)对于未知用户体验质量的数据，首先根据步骤1完成预处理，得到需要的特征数据集；

(4-2)将该特征数据集作为输入，代入训练好的多层神经网络分类器，得到预测结果。

2.根据权利要求1所述的视频业务中基于多层神经网络的用户体验质量的预测方法，其特征在于所述特征参数可以包含警告次数、损失率、出口下载带宽、媒介速率、延时、媒体丢失率、CPU使用率、视频传输质量。

3.根据权利要求1所述的视频业务中基于多层神经网络的用户体验质量的预测方法，其特征在于五层神经网络各自包含的神经元数量为：输入层有10个神经元，第一隐层有30个神经元，第二隐层有100个神经元，第三隐层有50个神经元，输出层是1个神经元。

4.根据权利要求1所述的视频业务中基于多层神经网络的用户体验质量的预测方法，其特征在于所述激活函数采用的是ReLU函数：其中，z是输入数值。

5.根据权利要求1所述的视频业务中基于多层神经网络的用户体验质量的预测方法，其特征在于步骤3的具体过程如下：(3-1)确定dropdout比例为0.2，

其中， 是服从概率为p的伯努利分布，此处p也就是dropout比例，则,第l-1层的输出变为 所以第l层的第i个神经元的输出为(3-2)确定学习率α为0.1，其是用来控制SGD算法的步长；

(3-3)初始化每一层输入数据的权重， 即说明第l-1层有m个输出，初始化每一层偏差， 其中，n为第l层神经元的个数， 均服从正态分布，此外，令迭代次数m＝1，设定总迭代次数为M；

(3-4)开始迭代，每次选取每个样本，采用基于随机梯度下降法的后向传播算法得到步骤2确定的模型中的参数，训练得出新的模型，该模型的输出为0或1；

(3-5)计算上述样本在当前模型中的损失函数：

其中， 表示神经网络的第l层的第i个神经元的输出， 表示实际的输出值，m表示样本总个数；

(3-6)更新权重w'j，其计算公式如下：

其中，α表示学习率，即用于控制wj更新的步长，调整合适的学习率，可以实现对模型的优化，此模型中，学习率设为0.2；

(3-7)判断是否终止迭代，如果m