The escalating demand for video content and streaming services has made it a predominant medium of exchanging information in the modern era. Videos are processed, compressed, and streamed over dynamic wireless channels having limited bandwidth. This introduces video impairments that deteriorate the video quality. Humans are the targeted observers of multimedia content. Improving viewing experience requires human intervened subjective assessment of video quality; which is relatively cumbersome and resource intensive. Devising alternatives that can estimate subjective quality scores are essential to evaluate Quality-of-Experience (QoE) in multimedia applications and services. The features (objective quality metrics and impairment factors) provide a measure of artifacts and content characteristics that influence observers viewing experience. We have proposed MO-QoE, a framework to predict video QoE using Multi-Feature Fusion (MFF) based Optimized Learning Models (OLMs). The OLMs are the optimized neural network models designed for QoE prediction. We make use of Adaptive Moment estimation and Batch Gradient Descent algorithms that update the values of weight and biases of the learning models to their optimal values. The inputs to our model is based on MFF scheme, that eliminates distortion specific biased performance of any individual feature. The resultant non-linear regression score from the model is obtained after fusion of scores from multiple features. The QoE prediction using the MFF-based OLMs has been tested on publicly available databases. The prediction performance/accuracy is improved by $\approx$2 to 3 times as compared to the existing models.

对视频内容和流媒体服务的需求不断增长，使其成为现代信息交换的主要媒介。视频在带宽有限的动态无线信道上进行处理、压缩和流式传输。这引入了降低视频质量的视频损伤。人类是多媒体内容的目标观察者。改善观看体验需要对视频质量进行人工干预的主观评估；这是相对繁琐和资源密集型的。设计可以估计主观质量分数的替代方案对于评估多媒体应用和服务中的体验质量 (QoE) 至关重要。这些特征（客观质量指标和损害因素）提供了影响观察者观看体验的伪影和内容特征的度量。我们提出了 MO-QoE，这是一个使用基于多特征融合 (MFF) 的优化学习模型 (OLM) 来预测视频 QoE 的框架。OLM 是为 QoE 预测设计的优化神经网络模型。我们利用自适应矩估计和批量梯度下降算法将学习模型的权重和偏差值更新为最佳值。我们模型的输入基于 MFF 方案，它消除了任何单个特征的失真特定偏差性能。融合多个特征的分数后，得到模型的非线性回归分数。使用基于 MFF 的 OLM 的 QoE 预测已经在公开可用的数据库上进行了测试。预测性能/准确性提高了 使用基于多特征融合 (MFF) 的优化学习模型 (OLM) 预测视频 QoE 的框架。OLM 是为 QoE 预测设计的优化神经网络模型。我们利用自适应矩估计和批量梯度下降算法将学习模型的权重和偏差值更新为最佳值。我们模型的输入基于 MFF 方案，它消除了任何单个特征的失真特定偏差性能。融合多个特征的分数后，得到模型的非线性回归分数。使用基于 MFF 的 OLM 的 QoE 预测已经在公开可用的数据库上进行了测试。预测性能/准确性提高了 使用基于多特征融合 (MFF) 的优化学习模型 (OLM) 预测视频 QoE 的框架。OLM 是为 QoE 预测设计的优化神经网络模型。我们利用自适应矩估计和批量梯度下降算法将学习模型的权重和偏差值更新为最佳值。我们模型的输入基于 MFF 方案，它消除了任何单个特征的失真特定偏差性能。融合多个特征的分数后，得到模型的非线性回归分数。使用基于 MFF 的 OLM 的 QoE 预测已经在公开可用的数据库上进行了测试。预测性能/准确性提高了 我们利用自适应矩估计和批量梯度下降算法将学习模型的权重和偏差值更新为最佳值。我们模型的输入基于 MFF 方案，它消除了任何单个特征的失真特定偏差性能。融合多个特征的分数后，得到模型的非线性回归分数。使用基于 MFF 的 OLM 的 QoE 预测已经在公开可用的数据库上进行了测试。预测性能/准确性提高了 我们利用自适应矩估计和批量梯度下降算法将学习模型的权重和偏差值更新为最佳值。我们模型的输入基于 MFF 方案，它消除了任何单个特征的失真特定偏差性能。融合多个特征的分数后，得到模型的非线性回归分数。使用基于 MFF 的 OLM 的 QoE 预测已经在公开可用的数据库上进行了测试。预测性能/准确性提高了 这消除了任何单个特征的失真特定偏差性能。融合多个特征的分数后，得到模型的非线性回归分数。使用基于 MFF 的 OLM 的 QoE 预测已经在公开可用的数据库上进行了测试。预测性能/准确性提高了 这消除了任何单个特征的失真特定偏差性能。融合多个特征的分数后，得到模型的非线性回归分数。使用基于 MFF 的 OLM 的 QoE 预测已经在公开可用的数据库上进行了测试。预测性能/准确性提高了$\approx$是现有型号的 2 到 3 倍。