尤偉
摘 要： 針對傳統關聯數據分類方法一直存在分類精度差的問題，提出一種運動數據中的最優關聯數據的分類方法。由於運動數據的變化量十分的龐大，同時變化程度也無法用規律進行推導，因此需要確定運動數據中的最優關聯數據，通過最優關聯數據的關聯性進行高速提取，使用異導函數對提取的數據進行系統的分類。為了保證提出的運動數據中的最優關聯數據的分類方法的有效性，設計對比仿真實驗，通過實驗數據表明，提出的運動數據中的最優關聯數據的分類方法能夠準確地對運動數據中的最優關聯數據進行系統分類。
關鍵詞： 運動數據； 最優關聯數據； 數據分類； 隸屬關係； 預判標識碼； 分類精度
中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2018）02?0179?04
Abstract： Aiming at the problem of low classification accuracy in traditional association data classification methods， a classifying method for optimal association data in motion data is proposed. As the variable quantity of motion data is very large， and the change degree also can not be deduced， the optimal relevance data in motion data needs to be determined. The high?speed extraction is carried out by the relation of the optimal relational data. The data extracted by different guide function is adopted to perform a systematic classification. In order to ensure the effectiveness of the classification method of optimal correlation data in the extracted motion data， the comparison and simulation experiment is designed. The experimental data show that the classification method of optimal correlation data in the motion data can do systematic classification of the optimal association data in the motion data accurately.
Keywords： motion data； optimal association data； data classification； membership relation； pre?judgement identification code； classification accuracy
0 引 言
使用定位記錄數據的方法由單一的GPS技術發展衍生至今，已經可以通過高頻震盪、虛擬演示技術、移動模擬感知等外鏈技術進行運動數據的生成。這樣不但能夠進行細緻的數據定位，還可以進行運動細節的描素[1?2]。隨著手機APP的應用增加，對於移動過程中的數據表示過程使用的是最優關聯數據，但是在不同技術支撐下的運動數據所生成的關聯數據是有所不同的，特別是在最優關聯數據的選取過程中，選擇出能夠代表運動變化的關聯數據是十分必要的[3?4]。同時由於運動過程中存在很大的突變性，因此還需要進行一定最優關聯數據的分類，分類的目的是針對不同的關聯數據進行系統的屬性應用，這樣可以達到最佳呈現的目的[5]。但是傳統關聯數據的分類方法中無法對移動數據進行快速的識別[6?7]。針對上述問題，本文提出一種運動數據中的最優關聯數據的分類方法。本文設計的運動數據中的最優關聯數據的分類方法使用最優關聯數據的關聯屬性進行高速選取，通過異導函數對提取的最優關聯數據進行系統的分類。為了有效地驗證本文設計的運動數據中的最優關聯數據的分類方法的有效性，模擬了應用環境進行仿真實驗，通過實驗數據可知，本文設計的運動數據中的最優關聯數據的分類方法能夠準確地在運動數據中進行最優數據的選定分類。
1 運動數據中的最優關聯數據選取
為了能夠進行有效的關聯數據的快速分類，本文通過關聯屬性，對不同關聯數據進行快速的選定[8?9]。由於不同的關聯數據具有的關聯性不同，需要對關聯屬性中的最小關聯度進行計算，最小關聯度是保證運動數據有效性的關鍵所在，過程如下：
式中：表示運動數據最低關聯度；表示標準關聯數據質子；表示動態數據的突變權值；表示運動數據中的關聯變量。關聯數據與運動維度之間的關係如圖1所示。
通過式（1）可以計算出最小關聯度，確定最小關聯度的關聯數據便具有運動數據的代表性。通過擇優關係可以進行最優關聯數據的選定，表示為：
式中：表示關聯數據的擇優關係指數；表示運動維度的表達關聯度；表示同源關聯數據的非同性屬性的標準焓；表示基函數係數；表示關聯極值差；表示數據陳列關係。選定最優關聯數據後，需要對選定的數據進行提取，表示為：
式中：為最優關聯數據進行提取過程中的提取穩定值；為融合參照係數。通過式（2）、式（3）完成對最優關聯數據的選定，同時為移動數據的有效分類進行了鋪墊。
本文設計的運動數據中的最優關聯數據的分類方法，使用的是異導函數進行系統的分類。在分類過程中經過最優關聯數據的有效選取，每一條最優關聯數據的屬性都兼備著提取穩定性。根據上述的屬性便可以進行異導函數的應用。使用異導函數需要對選取的最優關聯函數進行預處理，這樣方便進行數據分級，表示如下：
式中：表示最優關聯數據的預判標識碼，通過標識碼可以進行大致的屬性劃分，這樣能夠保證在進行精確劃分過程中的準確度以及分類速度；表示數據能級參量，數據能級參量能夠把數據進行4個等級的劃分，每次會根據不同的關聯度以及指標進行關聯劃分，如圖2所示；表示信息自身混亂度，自身混亂度會在一定程度上影響分類過程；表示異動參數，異動參數是衡量關聯數據的標量性的基本參量。
經過預處理後的最優關聯數據便可以進行異導函數的分類，過程如下：
式中：，分別表示所屬數據能級、所屬關聯屬性級；表示標準異導權值。通過標準化的異導函數值能夠保證精細分類的精準化，經使用異導函數進行分類還需要進行條件的限定，公式如下：
式中：表示能夠異導限定條件；表示達到最優關聯數據的標準；表示異導極值的絕對值，異導極值具有雙向性，在表達形式上需要引進絕對值；表示過程變量；表示應接參數。通過式（6）完成對運動數據中最有關聯數據的分類。
2 仿真實驗分析
2.1 參數設定
為了保證設計的運動數據中的最優關聯數據的分類方法的有效性，對參數進行設定，運動數據中的關聯變量在[89.2，90.65]值域範圍之內，設置數據進行有效提取過程的提取差計量為18.56。本文設計的模擬實驗過程如圖3所示。
2.2 結果分析
在實驗過程中，記錄傳統關聯數據分類方法與本文設計的關聯數據分類方法的實驗結果。傳統關聯數據分類方法的最優關聯數據提取類別如圖4所示。
本文設計的關聯數據分類方法的最優關聯數據提取類別如圖5所示。
通過圖4、圖5可以看出，本文設計的運動數據中的最優關聯數據的分類方法能夠對最優關聯數據進行多種類的細化提取，保證了分類過程的準確性。
如圖6所示，本文設計的運動數據中的最優關聯數據的分類方法能夠更加準確細緻地對運動數據進行系統的分類。
3 結 語
本文提出一種運動數據中的最優關聯數據的分類方法。由於運動數據的變化量十分的龐大，帶有明顯的突變因素，同時變化程度也無法用規律進行有效的推導，因此在進行關聯數據的分類之前需要進行最有關聯數據的選定，本文設計的運動數據中的最優關聯數據的分類方法使用最優關聯數據的關聯屬性進行高速選取，通過異導函數對提取的最優關聯數據進行系統的分類。希望通過本文的研究能夠為運動數據的有效使用提供理論依據。
參考文獻
[1] 王秋，蔣華瑩，石婭婭，等.小兒腦性癱瘓類型與粗大運動功能分級的關聯性調查分析[J].現代預防醫學，2015，42（13）：2486?2489.
WANG Qiu， JIANG Huaying， SHI Yaya， et al. Survey on the relationship between the subtype and the gross motor function classification system in children with cerebral palsy [J]. Modern preventive medicine， 2015， 42（13）： 2486?2489.
[2] YAMANE R， TODAKA C， KAWASHIMA K， et al. Analysis of dance motion by correlations between motion data [J]. Transactions of Institute of Electronics， Information and Communication Engineers， 2005， 88： 1652?1661.
[3] WU H， SHARP G C， ZHAO Q， et al. Statistical analysis and correlation discovery of tumor respiratory motion [J]. Physics in medicine & biology， 2007， 52（16）： 4761.
[4] PURKAYASTHA S N， BYRNE M D， O′MALLEY M K. On the correlation between motion data captured from low?cost gaming controllers and high precision encoders [C]// Proceedings of 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. San Diego， CA， USA： IEEE， 2012： 4529?4532.
[5] GLADEN B C， WILLIAMS J， CHAPIN R E. Issues in the statistical analysis of sperm motion data derived from computer?assisted systems [J]. Journal of andrology， 1991， 12（2）： 89.
[6] CHAN M H， SAVATIER T. System using data correlation for predictive encoding of video image data subject to luminance gradients and motion： US， US 5812197 A [P]. 1998.
[7] SALAMAH S， ZHANG L， BRUNNETT G. Hierarchical method for segmentation by classification of motion capture data [M]. [S.l.]： Springer International Publishing， 2015： 169?186.
[8] ZHANG H， GAO X， WU P， et al. A cross?media distance metric learning framework based on multi?view correlation mining and matching [J]. World wide web?internet & web information systems， 2016， 19（2）： 181?197.
[9] MACERONI C， MONTALBAN J， GANDOLFI D， et al. VizieR online data catalog： CoRoT 102918586： a gamma Dor pulsator in a short?period eccentric eclipsing binary [J]. Vizier online data catalog， 2013， 355（2）： 423?430.
[10] 白魚秀，鄭歡歡.基於CRISP?DM模型的移動GPRS業務關聯規則應用研究[J].物聯網技術，2017，7（3）：98?100.
BAI Yuxiu. Application and research of correlation rules for mobile GPRS services based on CRISP?DM model [J]. Internet of Things technologies， 2017， 7（3）： 98?100.
摘 要： 針對傳統關聯數據分類方法一直存在分類精度差的問題，提出一種運動數據中的最優關聯數據的分類方法。由於運動數據的變化量十分的龐大，同時變化程度也無法用規律進行推導，因此需要確定運動數據中的最優關聯數據，通過最優關聯數據的關聯性進行高速提取，使用異導函數對提取的數據進行系統的分類。為了保證提出的運動數據中的最優關聯數據的分類方法的有效性，設計對比仿真實驗，通過實驗數據表明，提出的運動數據中的最優關聯數據的分類方法能夠準確地對運動數據中的最優關聯數據進行系統分類。
關鍵詞： 運動數據； 最優關聯數據； 數據分類； 隸屬關係； 預判標識碼； 分類精度
中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2018）02?0179?04
Abstract： Aiming at the problem of low classification accuracy in traditional association data classification methods， a classifying method for optimal association data in motion data is proposed. As the variable quantity of motion data is very large， and the change degree also can not be deduced， the optimal relevance data in motion data needs to be determined. The high?speed extraction is carried out by the relation of the optimal relational data. The data extracted by different guide function is adopted to perform a systematic classification. In order to ensure the effectiveness of the classification method of optimal correlation data in the extracted motion data， the comparison and simulation experiment is designed. The experimental data show that the classification method of optimal correlation data in the motion data can do systematic classification of the optimal association data in the motion data accurately.
Keywords： motion data； optimal association data； data classification； membership relation； pre?judgement identification code； classification accuracy
0 引 言
使用定位記錄數據的方法由單一的GPS技術發展衍生至今，已經可以通過高頻震盪、虛擬演示技術、移動模擬感知等外鏈技術進行運動數據的生成。這樣不但能夠進行細緻的數據定位，還可以進行運動細節的描素[1?2]。隨著手機APP的應用增加，對於移動過程中的數據表示過程使用的是最優關聯數據，但是在不同技術支撐下的運動數據所生成的關聯數據是有所不同的，特別是在最優關聯數據的選取過程中，選擇出能夠代表運動變化的關聯數據是十分必要的[3?4]。同時由於運動過程中存在很大的突變性，因此還需要進行一定最優關聯數據的分類，分類的目的是針對不同的關聯數據進行系統的屬性應用，這樣可以達到最佳呈現的目的[5]。但是傳統關聯數據的分類方法中無法對移動數據進行快速的識別[6?7]。針對上述問題，本文提出一種運動數據中的最優關聯數據的分類方法。本文設計的運動數據中的最優關聯數據的分類方法使用最優關聯數據的關聯屬性進行高速選取，通過異導函數對提取的最優關聯數據進行系統的分類。為了有效地驗證本文設計的運動數據中的最優關聯數據的分類方法的有效性，模擬了應用環境進行仿真實驗，通過實驗數據可知，本文設計的運動數據中的最優關聯數據的分類方法能夠準確地在運動數據中進行最優數據的選定分類。
1 運動數據中的最優關聯數據選取
為了能夠進行有效的關聯數據的快速分類，本文通過關聯屬性，對不同關聯數據進行快速的選定[8?9]。由於不同的關聯數據具有的關聯性不同，需要對關聯屬性中的最小關聯度進行計算，最小關聯度是保證運動數據有效性的關鍵所在，過程如下：
式中：表示運動數據最低關聯度；表示標準關聯數據質子；表示動態數據的突變權值；表示運動數據中的關聯變量。關聯數據與運動維度之間的關係如圖1所示。
通過式（1）可以計算出最小關聯度，確定最小關聯度的關聯數據便具有運動數據的代表性。通過擇優關係可以進行最優關聯數據的選定，表示為：
式中：表示關聯數據的擇優關係指數；表示運動維度的表達關聯度；表示同源關聯數據的非同性屬性的標準焓；表示基函數係數；表示關聯極值差；表示數據陳列關係。選定最優關聯數據後，需要對選定的數據進行提取，表示為：
式中：為最優關聯數據進行提取過程中的提取穩定值；為融合參照係數。通過式（2）、式（3）完成對最優關聯數據的選定，同時為移動數據的有效分類進行了鋪墊。
本文設計的運動數據中的最優關聯數據的分類方法，使用的是異導函數進行系統的分類。在分類過程中經過最優關聯數據的有效選取，每一條最優關聯數據的屬性都兼備著提取穩定性。根據上述的屬性便可以進行異導函數的應用。使用異導函數需要對選取的最優關聯函數進行預處理，這樣方便進行數據分級，表示如下：
式中：表示最優關聯數據的預判標識碼，通過標識碼可以進行大致的屬性劃分，這樣能夠保證在進行精確劃分過程中的準確度以及分類速度；表示數據能級參量，數據能級參量能夠把數據進行4個等級的劃分，每次會根據不同的關聯度以及指標進行關聯劃分，如圖2所示；表示信息自身混亂度，自身混亂度會在一定程度上影響分類過程；表示異動參數，異動參數是衡量關聯數據的標量性的基本參量。
經過預處理後的最優關聯數據便可以進行異導函數的分類，過程如下：
式中：，分別表示所屬數據能級、所屬關聯屬性級；表示標準異導權值。通過標準化的異導函數值能夠保證精細分類的精準化，經使用異導函數進行分類還需要進行條件的限定，公式如下：
式中：表示能夠異導限定條件；表示達到最優關聯數據的標準；表示異導極值的絕對值，異導極值具有雙向性，在表達形式上需要引進絕對值；表示過程變量；表示應接參數。通過式（6）完成對運動數據中最有關聯數據的分類。
2 仿真實驗分析
2.1 參數設定
為了保證設計的運動數據中的最優關聯數據的分類方法的有效性，對參數進行設定，運動數據中的關聯變量在[89.2，90.65]值域範圍之內，設置數據進行有效提取過程的提取差計量為18.56。本文設計的模擬實驗過程如圖3所示。
2.2 結果分析
在實驗過程中，記錄傳統關聯數據分類方法與本文設計的關聯數據分類方法的實驗結果。傳統關聯數據分類方法的最優關聯數據提取類別如圖4所示。
本文設計的關聯數據分類方法的最優關聯數據提取類別如圖5所示。
通過圖4、圖5可以看出，本文設計的運動數據中的最優關聯數據的分類方法能夠對最優關聯數據進行多種類的細化提取，保證了分類過程的準確性。
如圖6所示，本文設計的運動數據中的最優關聯數據的分類方法能夠更加準確細緻地對運動數據進行系統的分類。
3 結 語
本文提出一種運動數據中的最優關聯數據的分類方法。由於運動數據的變化量十分的龐大，帶有明顯的突變因素，同時變化程度也無法用規律進行有效的推導，因此在進行關聯數據的分類之前需要進行最有關聯數據的選定，本文設計的運動數據中的最優關聯數據的分類方法使用最優關聯數據的關聯屬性進行高速選取，通過異導函數對提取的最優關聯數據進行系統的分類。希望通過本文的研究能夠為運動數據的有效使用提供理論依據。
參考文獻
[1] 王秋，蔣華瑩，石婭婭，等.小兒腦性癱瘓類型與粗大運動功能分級的關聯性調查分析[J].現代預防醫學，2015，42（13）：2486?2489.
WANG Qiu， JIANG Huaying， SHI Yaya， et al. Survey on the relationship between the subtype and the gross motor function classification system in children with cerebral palsy [J]. Modern preventive medicine， 2015， 42（13）： 2486?2489.
[2] YAMANE R， TODAKA C， KAWASHIMA K， et al. Analysis of dance motion by correlations between motion data [J]. Transactions of Institute of Electronics， Information and Communication Engineers， 2005， 88： 1652?1661.
[3] WU H， SHARP G C， ZHAO Q， et al. Statistical analysis and correlation discovery of tumor respiratory motion [J]. Physics in medicine & biology， 2007， 52（16）： 4761.
[4] PURKAYASTHA S N， BYRNE M D， O′MALLEY M K. On the correlation between motion data captured from low?cost gaming controllers and high precision encoders [C]// Proceedings of 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. San Diego， CA， USA： IEEE， 2012： 4529?4532.
[5] GLADEN B C， WILLIAMS J， CHAPIN R E. Issues in the statistical analysis of sperm motion data derived from computer?assisted systems [J]. Journal of andrology， 1991， 12（2）： 89.
[6] CHAN M H， SAVATIER T. System using data correlation for predictive encoding of video image data subject to luminance gradients and motion： US， US 5812197 A [P]. 1998.
[7] SALAMAH S， ZHANG L， BRUNNETT G. Hierarchical method for segmentation by classification of motion capture data [M]. [S.l.]： Springer International Publishing， 2015： 169?186.
[8] ZHANG H， GAO X， WU P， et al. A cross?media distance metric learning framework based on multi?view correlation mining and matching [J]. World wide web?internet & web information systems， 2016， 19（2）： 181?197.
[9] MACERONI C， MONTALBAN J， GANDOLFI D， et al. VizieR online data catalog： CoRoT 102918586： a gamma Dor pulsator in a short?period eccentric eclipsing binary [J]. Vizier online data catalog， 2013， 355（2）： 423?430.
[10] 白魚秀，鄭歡歡.基於CRISP?DM模型的移動GPRS業務關聯規則應用研究[J].物聯網技術，2017，7（3）：98?100.
BAI Yuxiu. Application and research of correlation rules for mobile GPRS services based on CRISP?DM model [J]. Internet of Things technologies， 2017， 7（3）： 98?100.
收藏