互动多通道电视媒体基于聚类算法的自适应视觉传达

文摘

本文首先对环境的人类认知的变化,分析了虚拟数字技术下视觉感知的主要特征,并探讨了人类认知活动从被动转为主动。视觉信息的多元化的理解,人类记忆的矛盾也开始变得突出。针对问题,现有的多通道电视媒体识别方法识别率较低的未知的应用层协议,一种自适应聚类方法,提出了识别未知的应用层协议。这种方法集群应用程序层协议基于负载特征的相似性网络应用层协议数据流。划分聚类算法的相似性计算方法来提高聚类算法的效率。实验结果表明,该方法可以有效地、准确地识别未知的视觉传达。本文提出,在交互式多通道视觉信息传播,人类视觉感知经验已经改变,视觉信息内容表达的多样性使审美主体更加个性化和程式化。

1。介绍

随着社会信息化和数字化的普及,我们面临的视觉形式也发生了变化(1]。最重要的变化是由单一形态转向多峰性传播的视觉信息。信息传播在单模主要是由一个单一的方法或形式,如图形模式,图像模式,声音模式,视频模式和交互模式;信息传播在多模可以两个或两个以上的单一模式相互结合形成的通讯手段和携带完整的信息传播的一种形式2]。这种变化的主要原因是,随着科学技术的发展,信息载体,观众有越来越高的要求,信息的表现变得更加复杂和多样化。在这个多元化的沟通形式的视觉信息,不仅需要考虑形式的性能,表达方法,形式之美,形式和内容包含但也人们的视觉感知响应,群体心理特点和个人生活经历和视觉体验3]。与此同时,在一个环境中基于互联网和数字技术的支持下,技术因素也是其发展的一个重要原因。多峰性是信息传播的形式,出现在这个数字化的背景。互联网是一个重要的日常生活的一部分。这种生活方式的改变,逐渐改变了信息传播的方式4]。原始single-modal,多通道线性的交流方式发生了变化,非线性形式和数字技术。它也给这种形式更多发展的空间和表现力。

视觉传达是人类认知的重要手段,感知和视觉感知包括图像,图像识别,和空间知觉,这是区分某一形象从许多刺激在客观环境中,认出熟悉的图片,并生成三维空间(5]。无论是感知图形、图像识别或空间感知,这是人类感知的认知对象。这个观念可以图形图像,形状和颜色,或者对象的运动。如果你认为这是主题的视觉感知的对象,你错了。人类视觉认知而言,除了认知对象本身,对象所在地的环境也是一个重要的组成部分(6]。不同的环境使人类有不同的认知过程。相同大小的黑色圆,位于广场环境的不同大小或包围圈子大小不同,给人的印象,它们有不同的形状和大小。直线长度相同的不同生长的错觉由于不同的环境。近年来,研究人员介绍了机器学习方法在网络流量识别领域。目前,有许多研究应用层协议识别方法基于监督学习。陈和张7)提出了一种基于自适应BP神经网络流量识别算法,实现了协议识别精度高。根据Vryzas et al。8],卷积神经网络应用于网络流量的识别和分类,无用的信息,可能会影响特征提取是通过交通清洁、消除和提高分类精度。Dash et al。9)提出了一个识别和基于LeNet-5深卷积神经网络分类方法和获得最优分类模型通过周期性调整相关参数。Perveen [10]提出了一种基于距离的最近邻识别方法,该方法可以提高其他方法的低性能不平衡网络流量的识别。耆那教的研究卷积神经网络训练的协议识别不同的优化。实验结果表明,随机梯度下降法(SGD)优化器产生最好的识别效果,提出了无线通信网络协议识别方法。首先,一维卷积神经网络用于自动特征提取,然后,应用程序层协议是基于支持向量机的分类。

上述研究使用分类模型,如神经网络和使用标签协议数据对模型的训练。训练模型可以更准确地识别网络流量的应用层协议。然而,如果应用程序层协议的协议规范是未知的,难以识别相应的网络流量使用这种类型的方法。

在数字技术的影响下,视觉形式开发了多通道(单一模态),和人类感知的环境逐渐发生了变化。在传统情况下,人类视觉感知产生光与影在实际环境中,视觉感知和光影是先决条件。Wahl说,光与影是一个属性的个人和独立的对象,以及曝光时间为所有对象的存在提供了一个公共基础(11]。在此基础上,对象和对象的部分可以摆脱黑暗的深渊。光线形成一个特定的环境氛围通过亮度,颜色,和力量,从而影响听众的主观视觉感知。在视觉传达的过程中,一些环境是故意由人类,目的无非是加强信息表达的强度和加强视觉感知的强度。换句话说,环境也有一个“有意义的形式。“环境的视觉认知主要是意识到的对比颜色,光与影符号,主题,和背景。在新的数字环境,人类视觉感知环境变化和虚拟性是其主要特征。视觉认知环境下数字虚拟现实更依赖电脑,数据头盔、戒指屏幕,数据手套,全息投影,和其他技术设备来实现。这个虚拟环境的人为因素远远大于真实的环境。尽管也有人类的设计在现实环境中,大部分都是引导的情况下,使信息传播更加有目的的。

本文提出了人类视觉感知经验改变当交互式多通道视觉信息传播。视觉信息内容的多元化的表达也增加了人们之间的互动和信息,与此同时,使审美主体的审美体验变得越来越个性化和程式化。

2。视觉分析在多通道信息的沟通

2.1。多元化的视觉信息的理解

传统网页视觉传达设计方法有视觉数据的单向传输的缺点,缺乏实际的web页面和用户之间的沟通过程,和可怜的视觉传达,导致网页显示单调,即使用户反感,用户页面浏览量,其他问题(12]。用户行为跟踪系统可以评估和提取用户行为,推荐页面,用户可以产生兴趣,并通过连续取得更好的人机交互反馈页面上的用户行为追踪系统的学习兴趣,解决了视觉数据的单向传输问题。

为了解决单向数据传输视觉和视觉单调的缺陷在传统网页视觉传达设计方法,提出了一种网页视觉传达设计方法基于用户的个性化特征。首先,分析用户的兴奋的颜色特征,获取网页平面设计解决方案,并解决传统网页视觉设计的单调问题不同的视觉设计由用户显示不同的美学,有效降低用户的无聊的网页,然后结合利益行为追踪系统。用户的视觉刺激相结合,集成了计算机视觉自适应模块和自适应机制。通过自学电脑,web页面和用户的互动行为是不断加强13]。最后,实验验证了网页视觉传达设计方法基于用户的个性化特征,和用户的浏览意愿,时间,和满意度增加在不同的年龄段,不同的工作背景,不同的生活环境。

随着人们逐渐参与视觉信息本体的建设,他们认为自己的理解视觉对象的对象,不再有人们和云层。下面是人们提出了更高的要求表达视觉信息的方式,因此视觉信息的多通道表示。应该说,有一个互补,相辅相成的关系。多样化的视觉信息的原理图如图1。多通道视觉信息表达方法丰富了人类的语言表达能力,和人类追求的本质信息进一步促进了表现手法的发展。作为认知心理学而言,所有的人类行为意识可以理解为解决问题的信息对象的过程。从输入的信息,信息的编码和处理,并输出的信息,了解信息。

今天,在数字环境中,人的认知信息,特别是视觉信息,已达到活跃阶段。也就是说,人们不仅限于视觉信息本身的认知,还需要进一步设计和处理在自我理解形成视觉,表达式,然后进入大众传播。

认知心理学被称为信息处理理论,因为它使用信息处理为核心的理解和解释人类的高级思维活动和信息处理之间的关系。在这个关系中,多通道视觉信息是人类视觉感知,被完成通过感知、注意、理解、思维活动、视觉语言,人工智能。

2.2。思维活动的变化

人们的思维活动不仅是认知环境的影响,而且还通过信息传播的手段和方法。当我们的神经元感到更多的信息,信息的强度越大,越思考反应产生的大脑。在信息monomodal状态,大脑接收相对单一的信息,相对单一的思维活动,低水平(14]。在多通道信息模式,大脑接收更多的信息渠道和更强的意思。它最初只是一个图形模式来传输信息,和很多种形式如声音、文字、图形、图像、视频;观众可以从视角理解信息,多个层面、多个维度,思维活动变得更强大和更深入的和观众的思考已经成为影响更大。多峰性的视觉感知活动信息如图所示2。

3所示。自适应可视通信算法

3.1。算法概述

本文以网络通信的应用程序层协议数据作为分析对象。网络数据相同的协议有一定的相似性,可以用来区分不同的应用层协议。本文首先整理网络流的方法从网络收集到的原始数据,提取网络的应用层协议数据流,并计算协议数据的相似性。应用程序层协议数据之间的相似性作为协议识别的基础(15,16]。然后,一种改进的层次聚类算法用于自适应集群网络的应用层协议数据流和自动识别未知的应用层协议。

具体来说,如图3,提出了应用层协议识别方法包括以下处理步骤:(1)数据预处理:收集到的网络流量数据处理和网络流量数据是通过子步骤转化成字节流数据过滤和排序等流重组,和应用程序层协议数据提取。(2)相似度计算:拦截固定长度的字节在前面的应用程序层协议数据,并计算不同应用层协议数据之间的相似性。(3)未知应用程序层协议集群:初始化应用程序层协议数据,计算簇之间的相似度通过簇之间的相似度算法,并使用改进的聚类算法反复迭代,直到聚类达到停止条件。应用程序层协议数据聚集在一个集群,最后,一个集群设置输出。每个集群的设置是一组网络流量信息对应于应用程序层协议(16]。

3.2。未知应用程序层协议集群

本文改进的层次聚类方法的基础上,和改进主要体现在相似度的计算。传统的层次聚类算法将反复计算数据对象之间的相似度计算集群之间的相似性。摘要相似性计算分为应用层协议数据之间的相似度计算在集群和集群的集群之间的相似性17]。完成复杂的应用程序层协议数据之间的相似性计算集群之前,然后将结果保存在数组中。当计算集群之间的相似性,相似性应用程序层协议数据需要计算,只能从数组中提取价值,这简化了计算相似度的聚类,提高了聚类的效率。图4的原理流程图本文改进的层次聚类方法。

本文改进的层次聚类算法过程包括集群初始化、计算簇之间的相似度,相似度值的比较,和集群合并。应用程序层协议数据通过数据预处理作为算法的输入初始化协议数据(18]。具体操作是独立拯救每个网络的协议数据流并添加初始集群。每个网络流的协议数据属于不同的集群在集群的初始化。

聚类算法包括分层聚类算法,分割聚类算法和基于密度的聚类算法和网格。目前,协议识别领域,研究者们主要使用分区聚类算法。的K——算法用于集群混合数据由少量的标注样本和大量的未标记样本,和几个集群。然后,使用K最近邻居算法结合集群中的标记样本识别标记样本。实验结果表明,该分类器可以实现更好的分类结果为不平衡网络流。康等。19EM算法应用于网络流量分类,但大概只能执行协议识别,准确率低。针对EM算法的缺点强劲的初值敏感性和容易收敛到局部最优解,一个协议识别方法提出了基于改进EM。这种方法缩小搜索范围,提高了协议识别的准确性。多路径分区的问题是构造一个分类器基于图论的概念,最后识别和分类的协议基于图划分的结果。首先,约束聚类算法用于提取无标号数据的新模式,以及这些模式不存在的标记数据和只代表未知协议;然后,新模式基于标记数据和未标记数据被训练成一个二元分类器,这决定了样本数据的协议类型根据分类器的结果。

一般来说,虽然现有clustering-based网络流量的方法可以对未知协议的网络流量分类,大多数方法都需要输入目标集群的数量,和协议识别的准确性大大影响目标集群的数量不能自动分类未知的协议流量,和实际应用有更大的局限性20.]。

以集群设置为输入簇之间的相似度算法,并选择两个集群。首先,计算平均集群中的每个协议数据之间的相似性和所有其他集群协议数据,协议数据之间的差异和其他集群。然后,计算平均值之间的相似集群中的所有协议数据,另一个集群作为集群之间的相对相似。最后,两者之间的相对相似度的平均值计算集群获得集群之间的相似性(21,22]。

例如,选择两个集群当集群:

首先,计算相似度 之间的协议数据 在集群一个₁和集群一个₂,表示 。其中, 是应用程序层协议数据的相似性 应用程序层协议数据 ,和米是应用程序层协议数据的总数中包含集群一个₂。

然后,计算相对的相似性一个₁和一个₂: 表示为 ,和n是协议数据的总数中包含集群一个₁。重复上述步骤计算的相对相似集群一个₂来一个₁。最后,平均集群之间的相似性一个₁和集群一个₂获得 。

如果集群之间的相似性大于相似值,合并这两个集群和集群更新。具体方法是选择两个类似的集群: 。基于集群中的任何一个,添加其他集群中的所有数据。

例如,基于一个₁合并后的结果 。然后,删除集群一个₂从集群组,完成合并集群的操作集。

重复这些步骤的计算集群之间的相似度,相似度值进行比较,结合集群直到集群算法满足终止条件。集群的终止条件通常是集群的集群组之间的相似性小于相似的价值,不能合并和集群。然后,输出集群设置;每个集群包含所有网络流量信息对应于应用程序层协议。

我们都知道,视觉艺术的审美风格来自于专业的图形和图像设计师和艺术家手中,但随着波普艺术的普及全球在1960年代末,它打破了生活与艺术之间的界限,打破了高雅和庸俗之间的界限,使得艺术走向个性化的方向和推广23]。这个过程已经被互联网无限加速和放大。人们的生活,学习,工作,等等,都受到它的影响。手机的图片和视频在任何时间很快就显示出来。信息集群形成的东西,这些信息集群也形成一种情况视觉表情蓬勃发展,因为设计师的审美背景的差异(24]。

视觉语言的多峰性导致了观众之间的分化,形成一批组。这些团体聚集在一起,因为不同的职业,不同的信仰、知识、教育、背景、种族和地区,他们的审美观念是这样的。因为类似的社会群体间的个体差异,个性化特征提出了在视觉表达的信息。

4所示。结果和分析

渐进的人类认知环境的变化,在虚拟环境中,观众的表情面对对象提出了多种形式;就像图像的表示,可以有多个不同的艺术形式来表达各种审美体验。不一样的视觉体验。有这么多的形式和组合形式,它给观众带来各种各样的选择。

4.1。聚类分析的自适应视觉传达

算法在本文中涉及的两个重要参数:一个是簇之间的相似度阈值,这是两个集群之间的最小相似度的聚类算法可以合并成一个集群;另一种是拦截消息的长度,从而影响该算法。短序列的完整性特点是自动提取。在本文中,两个参数对聚类效果的影响测试的控制变量法(25]。

以下4.4.1。在聚类簇之间的相似度阈值的影响精度

本文使用协议流量从数据集中提取进行测试。首先,测试集群之间的相似度阈值对聚类的影响精度。intercluster相似性阈值所需的最低intercluster相似集群中的两个集群是集群合并成一个。阈值的大小会影响聚类的效果。拦截应用层协议数据集的长度在实验中是60个字节。测试结果如图5。从图可以看出,当簇之间的相似度阈值是0.3,聚类精度是最高的,聚类效果是最好的。这些协议的聚类精度达到100%。后簇之间的相似度阈值大于0.3,聚类精度的三个协议开始下降;阈值接近1时,HTTP和FTP协议的聚类精度下降到接近0%,尽管FTP协议的聚类精度仍低,可保持在50%以上。

测试数据分析后,虽然只拦截60-byte数据前面的协议,它还包含了一些用户数据。闭值的影响集群之间的相似性聚类准确性如图5。当计算簇之间的相似度,将相似度的结果有一定的影响。相似的类似协议约为0.3。因此,作为簇之间的相似度阈值接近0.3,集群效应变得越来越好。相似性阈值接近于1,集群效应变得更糟。

4.1.2。截获的影响应用程序层协议数据长度对聚类精度

拦截应用层协议数据的长度决定了协议功能短序列的数量和用户数据截获数据中包含的数量和影响计算精度的应用程序层协议数据之间的相似度。摘要集群之间的相似度阈值设置为0.3,和每个长度下的聚类准确率获得通过改变拦截应用程序层协议数据的长度。截取长度的选择范围是(10100),和步幅是10。图6显示了测试结果。从图可以看出,当簇之间的相似度阈值是0.3,聚类效果最好,当拦截应用层协议数据长度等于10个字节或者大于或等于60个字节。截获消息长度在聚类精度的影响如图6。SMTP协议是最受到拦截数据长度的影响。FTP协议并不影响截获的数据的长度。

分析之后,相信协议的协议数据是一个交替混合功能短序列和用户数据。虽然功能短序列在协议数据的前面,前面部分还包含一些用户数据,和用户数据特性数据比大多数协议。当截获数据10个字节的长度,所有的截获数据协议功能短序列或协议功能短序列显然超过了用户数据,因此聚类结果的准确性非常高。随着截获数据的长度增加,用户数据截获数据的比例逐渐超过协议功能短序列,从而导致聚类精度开始下降。同时,因为功能短序列和用户数据交替排列,当截获数据长度是进一步增加,协议功能短序列的比例将逐渐增加,导致聚类准确率提高了。

4.2。聚类精度测试

本文通过Python实现算法,然后进入测试数据集。该算法需要手动设置两个参数:簇之间的相似度阈值和拦截应用程序层协议数据长度(26]。测试实验选择intercluster相似性阈值为0.3,和拦截应用程序层协议数据长度为60个字节。最后,聚类结果如表所示1。

的视觉语言改变了信息传播的一种方法两种方法在数字技术的支持。单向通信是指从编码到解码过程的视觉信息,如传统的阅读和报纸阅读,听收音机,看电视。双向沟通是指双向过程的可逆性从视觉信息输入信息处理信息传播。随着数字技术的介入,这种情况已经成为一个双向的过程变化信息的主体和客体。主体变更视角由于其生活经验的差异,知识,教育和认知。利用自己的反馈信息对象,这对象的内涵更加丰富变化,这变化将作用于对象的信息与现代技术的支持。甚至一些社会媒体,互联网,和聊天平台将增加之间的交互信息和观众audience-information-audience多方互动的。多通道信息通信方法允许人类理解最大化的推广,和事物的本质也是从更多的角度探讨了这种方式的交互。之间的比较结果,传统的视觉传达设计和视觉传达设计基于用户特征如图7。

总之,在图片阅读的时代,人们的观察事物和事件的本质的认知越来越依赖更直观的视觉形式(图形、图像和视频),通过多峰性越来越多。语言模型是实现通过各种现代数字媒体。人们积极参与建设的信息来源。他们都是设计师和传布以及接收器。这种积极的心态也使得信息出现在一个动态的内涵构成。颜色不是一个表达方式在视觉传达,及其信息传输通常是用一个特定形式的帮助。在传统的单一模式,颜色是一个减法模式和印刷颜色是主要的颜色。在新媒体环境中,多通道通信方式的过程中,色彩的表现有了很大的变化,主要是在这种模式的应用。这种模式是一种颜色模式,红色,绿色和蓝色是叠加和混合,也叫加色模式。这个模式是一个屏幕显示模式,主要用于网络的多媒体展示。 Color shows almost all colors that the human eye can and cannot perceive. In addition to the number of colors, color intensity (brightness and saturation) is also a very important factor. In this mode, the color intensity has reached a new height, especially the combination of colors makes this height range wider and larger. From mobile phones, computer displays to stereoscopic projections, and more and more color effects can be perceived by humans. Correspondingly, the visual perception under the multimodal visual language also has diversified characteristics. Humans can complete their personal aesthetic experience journey through human-computer interaction among a variety of choices.

本文算法聚类的准确性比较获得的结果与手工标注结果。从结果可以看出,本文算法成功区分请求网络流量和反应网络流量的HTTP、FTP、SMTP和自定义协议和他们到不同的集群,集群与集群的准确性为100%。本文算法在不使用terminal-day信息协议分化但使用协议应用层协议数据加载特征聚类。因此,本文可以成功区分使用terminal-day伪装技术的自定义协议和FTP协议实现未知协议识别。

5。结论

本文提出的方法识别和基于自适应聚类分类未知的应用层协议。首先,网络流重组从网络收集到的原始数据,应用程序层协议数据负载网络流的特征提取、计算和应用程序层协议数据。相似性为基础用于应用层协议的识别和分类,并自动聚类算法用于集群网络的应用层协议数据流有效、准确地实现未知的应用层协议识别和分类的网络流量。该方法充分利用聚类算法的优点,避免了训练过程中,高效、准确,具有较高的实用价值。

总之,在多通道电视媒体的时代,人们的观察事物和事件的本质的认知越来越依赖更直观的视觉形式(图形、图像和视频),通过多峰性越来越多。语言模型是实现通过各种现代数字媒体。人们积极参与建设的信息来源。他们都是设计师和传布以及接收器。这种积极的心态也使得信息出现在一个动态的内涵构成。相应地,多通道下的视觉感知视觉语言也具有多样化的特征。人类可以通过人机交互完成个人的审美体验的旅程中各种选择。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突在出版。

引用

1. A . Belozertsev k .古瑟夫大肠Grineko et al .,“一个多通道质量评估自适应比特率视频压缩材料,”诉讼的2018消费者技术国际研讨会(ISCT),1卷,不。IEEE 1页。月29日到31日,圣彼得堡,俄罗斯,2018年5月。视图:谷歌学术搜索
2. f . Rito j·科埃略,c . Duarte”“你,我与电视“喷射器火警与facebook社交孤立的老年人,电视和多峰性,”国际人机研究杂志》上,卷98,不。8日,38-50,2017页。视图:出版商的网站|谷歌学术搜索
3. a·科恩“标志性的情况:多峰性,见证和集体记忆,”视觉传达,19卷,不。1,第97 - 73页,2020。视图:出版商的网站|谷歌学术搜索
4. f . van der Sluis e . l . van den Broek, a van Drunen et al .,“提高服务质量的移动视频技术通过增加多通道协同作用,”行为与信息技术,37卷,不。9日,第883 - 874页,2018年。视图:出版商的网站|谷歌学术搜索
5. t·e·鲍威尔,h . g . Boomgaarden和k . De Swert”视频杀死了新闻文章?比较多通道框架效应在新闻视频和文章,“广播和电子媒体杂志》上,卷62,不。4、578 - 596年,2018页。视图:出版商的网站|谷歌学术搜索
6. w·d·冯”转喻和可视化表示:对一个社会符号的视觉转喻,框架”视觉传达,16卷,不。4、441 - 466年,2017页。视图:出版商的网站|谷歌学术搜索
7. z . t .陈和m .张”,在淘宝商城在当代中国消费扩展狂欢节:一种社会符号的多通道分析交互式横幅广告,”社会符号学,卷2,不。1、21、2020页。视图:出版商的网站|谷歌学术搜索
8. n . Vryzas l . Vrysis, r . Kotsakis”语音情感识别适应多通道语义库,”学报2018年13日国际研讨会的语义和社交媒体适应和个性化(SMAP),1卷,不。2页31-35 IEEE、萨拉戈萨、西班牙,2018年1月。视图:谷歌学术搜索
9. A k, p . Patnaik, d . Suar“全球本土化和文化身份的多模态话语分析在三个印度的电视广告,”话语和沟通,10卷,不。3、209 - 234年,2016页。视图:出版商的网站|谷歌学术搜索
10. 通过多通道a Perveen”,促进多元智能学习分析,“土耳其在线远程教育杂志》上,19卷,不。1,18 - 30,2018页。视图:出版商的网站|谷歌学术搜索
11. 美国Wahl”,广告传播通过主题teleshopping-a语言和多通道分析,“旅游传播策略的适应性布里尔,亚特兰大,乔治亚州,2018年。视图:谷歌学术搜索
12. p . s . Tan k . l . O ' halloran Wignell et al .,“多通道混合方法的方法检查recontextualisation模式在网络媒体暴力极端主义的图像,”话语、上下文和媒体卷,21 - 35、2018页。视图:出版商的网站|谷歌学术搜索
13. w·皮尔斯,s m . Ozkula a . k .格林et al .,“视觉跨平台分析:数字方法来研究社会媒体图像,”信息,沟通与社会,23卷,不。2、161 - 180年,2020页。视图:出版商的网站|谷歌学术搜索
14. j·考克斯,r·琼斯和c·诺斯伍德“基于对象的生产:个性化的互动烹饪应用程序,”学报2017年ACM国际会议电视和在线视频的互动体验,页79 - 80,【荷兰,2017年6月。视图:谷歌学术搜索
15. t . Tehseem m . Sibtain, z . Obaid”探索性别刻板印象在媒体广告:多通道分析,“社会科学和人文科学杂志》上卷,57号2、155 - 175年,2018页。视图:出版商的网站|谷歌学术搜索
16. a . Abdel-Raheem“心智模型理论模型分析视觉和多模式话语,“《语用学,卷155,不。5,303 - 320年,2020页。视图:出版商的网站|谷歌学术搜索
17. j . Chepchirchir”确定的杰出代表国内产品在卡斯电视广告kipsigis消费者belgut北面,Kericho,肯尼亚,“东非艺术和社会科学杂志》上,卷2,不。1,8 - 14,2020页。视图:出版商的网站|谷歌学术搜索
18. l .强有力的f . Caffaro大肠李东旭,“职业安全与视觉传达:以用户为中心的设计在意大利移民农业工人的安全培训材料,”安全科学,卷121,不。1,第572 - 562页,2020。视图:出版商的网站|谷歌学术搜索
19. 美国康、d . Kim和y金,“视觉生理学多通道系统检测异常行为的参与者在一个真人秀节目,“国际期刊的分布式传感器网络,15卷,不。7,155 - 156年,2019页。视图:出版商的网站|谷歌学术搜索
20. y Kautt”,实践和结构作为视觉传达:社会学的概念,对视觉和结构分析的方法,”定性调查,25卷,不。4、350 - 362年,2019页。视图:出版商的网站|谷歌学术搜索
21. m·利·t·e·鲍威尔和m . Van Der”,一幅描绘一千年谎言吗?多通道的效果和机制造谣和反驳通过社交媒体传播,”政治沟通,37卷,不。2、281 - 301年,2020页。视图:出版商的网站|谷歌学术搜索
22. k . m . Bos m·a·伊斯梅尔和n·m·加尼姆,”一个增强的视频摘要使用density-based空间聚类”图像分析和Processing-ICIAP 2013。在计算机科学的课堂讲稿答:彼得,艾德。p。8156年,激飞,柏林,德国,2013年。视图:谷歌学术搜索
23. j·李和y y李,“多通道交互和可信度:我们如何设计和评估出来的下一代”31日学报》国际BCS人机交互会议,页1 - 4,桑德兰,英国,2017年7月。视图:谷歌学术搜索
24. k·m·马哈茂德·n·a·加尼姆·m·a·伊斯梅尔,“无监督通过动态视频摘要modeling-based层次聚类,”学报2013年12日国际会议上机器学习和应用程序,页303 - 308,迈阿密,佛罗里达,美国,2013年12月。视图:谷歌学术搜索
25. p .帮派,j .回族,s . Stirenko”用户驱动的智能接口的基础上多通道增强现实功能障碍患者和脑机交互,”程序信息和通信的未来会议施普林格,页612 - 631年,可汗,新加坡,2018年4月。视图:谷歌学术搜索
26. n s Sreekanth: Varghese, c . h . Pradeepkumar“多通道界面有效的人机交互,”媒体融合手册,卷2,不。1,第281 - 261页,2016。视图:出版商的网站|谷歌学术搜索

版权

版权©2020张华远杨和鑫。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。