文摘

随着计算机硬件和软件的发展,数字艺术是一个新的学科。它使用计算机和数字技术作为工具进行艺术表现。它可以扩展到各种二进制数字编码与计算机为中心,也可以精炼到各种类别的创建与电脑。研究范围设置在数字艺术领域,数字艺术创作和各种偶然因素基于机器学习算法的挖掘和分析功能的相关性。基于大规模数据的隐藏的关联关系,研究重点是数字艺术特征的隐式关联挖掘数据的推荐算法。分类介绍了属性和离散和连续的数据特性,和功能扩展,以确保数据的二进制表示数据特征属性的多样性。为了我的一些相关特性数据,采矿方法基于最小支持启发式特征研究发现相关的频率特性和构造最优特征子集。基于频繁项的数据特性,本研究观察数码艺术特性关联挖掘的启发式算法基于最小信心和执行功能匹配关联挖掘基于数字艺术特征在不同情况下模式。验证该算法的有效性通过实验数据的健康和医疗情况下的机器学习库。

1。介绍

数字艺术是一种真正意义上“技术为基础的艺术”。基于这种技术的艺术,出生在新的技术环境与高技术的支持,极大地扩大了传统艺术的表达空间,甚至人类的审美体验进入一个看似完全不熟悉的领域。在这个过程中,我们发现艺术与技术之间的界限正逐渐衰落甚至消失,和新技术提供了一种新的“数字平台”发展的艺术。交互性在“数字艺术设计中发挥着越来越重要的作用。“在传统艺术,艺术家的艺术作品,然后从艺术品到观众,审美特征是“单向效应”(1,2),这通常是不可逆的。

数字艺术带来的高速和快速的信息交换逐渐均质不同国家的艺术和文化精神。曾预测,电子媒体已经摧毁了所有的传统边界以其强大的“符号暴力”和文化往往是均质和偏振3,4]。当人们叹息在数字设计带来的令人眼花缭乱的视觉效果,之后他们经常有空虚的感觉刺眼,这是由于缺乏深刻的思想内涵的传统艺术。此外,数字艺术的多样性不仅缩短了观众和艺术审美距离的艺术作品,但也使观众失去想象力在某种程度上,导致数字艺术设计作品失去传统的有意义的和持久的魅力的艺术作品。在这种情况下,“高科技”的组合数字艺术和中国民族传统的“深厚的文化”是特别重要的5]。数字艺术设计应该吸收传统文化和艺术的营养,重建它在创造的过程中,以提高现代数字艺术设计的文化附加值。

数字艺术、民族文化的艺术精华,融入现代数字艺术设计的基础上,理解它的形式,意义,和精神,使数字艺术不仅传统审美意蕴丰富,但也与《纽约时报》的特点,使它在不仅与世界设计语言,而且中国传统美学思想进行进一步的推广和传播。基于上面的分析,研究特定区域环境协会的特点挖掘和预测推荐算法,结合当前矿业协会的特性和数字艺术的预测算法在解决这个问题在目前的问题,提出了基于特征之间的关系的特点,数字艺术协会采矿和特征匹配算法,具有隐性特征提取的功能特性协会采矿和预测算法基于机器学习协会的异常特征挖掘和预测算法,并结合不同的推荐算法利用级联加权混合个性化推荐算法。一方面,这些方法使用自己的结构特点来处理功能关联挖掘的问题和建议,另一方面,他们将传统的功能关联挖掘的优点和特点,预测和推荐算法解决问题的功能关联挖掘,预测和推荐顺序和阶段。针对现有的关联挖掘的特点,预测和推荐算法为特定问题尚未系统领域的工作,本研究提出了适合矿业相关的特定领域的特点,预测,和机器学习技术的推荐算法解决高精度关联挖掘的新特性和预测和建议问题具有重要意义。

数字艺术设计这一新兴学科的国内文献,分析审美的发生重建、流变,和当代背景下,审美重建分析着重在接下来的几个方向6],它叫数码艺术美学是一种新的美学研究领域,我们这个时代的鲜明特征,同时,有一个长期的传统美学。作为机器学习技术的成熟,它将用于娱乐、教育和艺术,以及在军事、航空、商业和其他领域。例如,工作室的虚拟场景设置,虚拟场景的游戏设置,比如虚拟手术装置(7)和虚拟物理实验室。无论是真实的还是虚拟的,其生动的视觉,听觉,触觉交互界面体现了艺术与技术的高度集成。传输显示信息的机器学习技术、能力的潜在应用领域的艺术是热机器学习不可低估的现场参与,和交互能力可以是静态的艺术(如国画、油画和雕塑)到动态的艺术(8),可以让观众更直观的了解艺术家的思想;此外,机器学习可以提高艺术的性能,如九虚拟音乐家地方相关身临其境的享受唱歌和演奏乐器,和观众可以使用机器学习技术的虚拟真实的音乐会(9]。然而,无论多么的机器学习技术的发展,它始终是现实世界的反映。没有艺术和文化的浓缩在现实世界中,机器学习技术不能更好地反映虚拟世界带来的生动效果(10]。只有发挥和学习丰富的人文、艺术、思想和情感在现实世界中,可以充分利用机器学习技术,虚拟场景和虚拟游戏界面变得更加艺术和情感11]。因此,作为尖端数码艺术的领域,虚拟现实反映出更多的艺术和技术的集成和数字艺术的发展趋势。

关联规则挖掘是机器学习的一个重要分支。它研究不同特征属性数据集之间的关系。在关联规则挖掘的过程中,需要多次扫描数据集和匹配和计算候选频繁特征属性物品。由于大规模数据集的性质,特征匹配和计算过程需要大量的时间,因此算法的效率是关联规则挖掘的关键(12]。经典关联规则挖掘算法的基本思想是扫描候选特征属性项反复在数据库中,每个迭代和只考虑当前k-frequent项目集,最后形成候选频繁特征属性项集(13]。通过频繁模式树的构造14),矿山候选特征项集FP-growth算法,可有效降低算法的时间复杂度,减少候选特征项集的大小和数量。与先验的算法相比,它可以大大提高算法的效率和性能。提出了一个算法基于采样和信息造粒(15]。基本的想法是获取粗略的候选特征项集的子集样本抽样候选特征项集,消除频繁的功能项,然后继续简化数据集的抽样和集群粒子成一些信息。由于获得的样本是一个子集的候选项目集,形成频繁特征项集是一个当地的频繁项目集的模式而不是全局频繁项目集的模式。同时满足效率、挖掘的准确性itemset频繁的特性是牺牲。一个基于均匀分布不确定数据的关联规则挖掘算法(16,17提出了]。的基本思想是将大数据集分解成更小的数据集通过泛化值并行实现,然后修剪频繁项集通过构建不确定的频繁模式树。然而,建设的复杂特征项集将忽略一些功能项。挖掘关联规则的算法基于项目集生命周期提出了约束。基本的想法是让有条件的约束通过itemset生命周期和挖掘关联规则的模糊时间数列离散化时间序列数据和模糊集理论。关联规则的算法只矿山子集,没有修剪关联规则约束下(18,19),可有效提高关联规则挖掘的效率,但该算法由隶属函数和模糊参数限制。根据部门提高挖掘算法;其基本思想是将候选项集的身体分为相互重叠,一个更小的子集的频繁项集挖掘的地方特色,在一个时间,然后合并所有频繁项集的局部特征,建立一个全球所有可能的(20.,21频繁项集的特点;该算法可以有效地减少系统响应时间和通信成本,但容易导致频繁特征项集构建误。机器学习分别将不同的样品。一般来说,标签样本的价值将减少,而无标号的信息量很大,和这些数据更接近实际数据分布(22,23]。类别标签需要手动执行,和标签是大量的和昂贵的。训练数据集的解决方案是尽可能少的标签和尽可能多的数据。常见的方法包括期望最大化方法,学习无标号数据集,训练数据样本的学习者(24),直接扣除法,通过学习未标记样本,只有少量的样本的最小预测误差和暂时放弃后续实例的全局最优性(25]。处理的效果会大大改善了如果这些样本集进行分类。直接将支持向量机(TSVM)是用于对文本进行分类。学习目标是属于正面例子(未标记样本和集26]。一个活跃的学习算法提出了支持向量机(27]。这些方法具有较高的分类精度,只有标签少量的样本集。然而,这些算法的缺陷也是显而易见的。尽管他们部分解决类别标记的问题,也进行了大量的迭代和算法复杂度很高。此外,如何比较这些不同的学习方法与未标记样本的效率也是一个研究课题。

传统的艺术创作是基于深厚的文化底蕴和历史渊源,它包含许多地区习俗和民族文化。丰富形式的传统艺术精华含有深厚的文化积累,国家心理感受,风俗习惯,审美的概念,和审美品味(28,29日]。传统艺术反映了众多风格和深厚的历史传统学校和广泛的民族区域文化,以及传统绘画风格和传统艺术文化的起源,在心理和情感上的沟通引发了强烈的亲和力,灵魂的共鸣。新的数字艺术创作发展的基础上科学技术和产业。它缺乏传统文化在审美情感的基础,有很大限制在内容和形式的表达,这使得人们陌生和疏远的文化遗传,只有在数码艺术表达的过程中,不断吸收不同的文化,和不同学科的相互补充,引用的基本数字艺术的发展。因此,国家优秀的传统文化和艺术形式的结合是不断充实数码艺术设计的魅力和活力。丰富数字艺术创作与传统艺术,尤其是民族文化和艺术,为了弥补缺乏文化内涵在数字艺术创作和解决存在的视觉表达现代数字艺术创作,以及理解和发展方向的问题。协会采矿和预测和推荐算法是基于现有的在处理特定的场景环境中存在的问题;本研究的是数字艺术协会采矿机的特点学习环境问题和预测和推荐算法的特点,讨论如何数字艺术在机器学习环境中,根据自己的特点的相关性和相应的应用程序环境要求,关联挖掘的特征模型的构建和预测和推荐算法进行合理的设计来最大化和满足个性化推荐功能关联挖掘的准确性。

3所示。研究框架特性协会在数码艺术挖掘机器学习

为了系统地改善特性关联挖掘的精度和预测和推荐算法,本研究提出的模型和框架特性关联挖掘和基于机器学习的预测和推荐算法的数字艺术协会。它开始从三个方面的功能相关性,功能缺失和功能异常,解决了在不同的场景中。本研究的研究框架如图1。


图1
研究的框架特性协会在数码艺术挖掘机器学习。

关联挖掘数码艺术特性,传统的先验的算法是基于支持修剪技术和向下闭合原理和采用分层完成搜索算法(深度优先)。算法的功能是我最小的特征项集的支持。首先,算法生成单个元素的特征项集列表,计算特征项集满足最小支持通过扫描数据集,和删除特征项集不满足最小支持。单个元素结合的特征项集生成特征项集的两个元素。数据集是重新扫描删除不符合最低的特征项集的支持,并不断重复,直到所有的特征项集都删除。在计算特征项集的支持度,所有记录的数据集需要相比,和数据集的数量的增加,大量的候选特征项集生成。因此,pruning-based技术不能减少系统开销,和算法复杂度很高。

为了降低系统的成本,影响了启发式计算和仿生计算、机器学习算法通常用于解决组合优化问题和最短路径问题,这非常类似于数码艺术特性关联挖掘的问题。首先,最短路径问题,机器学习算法建立解决方案空间从开始节点的基础上循序渐进的决策方案。根据本地信息的边缘连接节点,移动目标是根据一定的概率随机选择,最后,每只蚂蚁形成一个可行的解决方案。和频繁项集挖掘的特征的过程中,是否根据基于自顶向下和自底向上的搜索策略,是通过添加和删除功能获取频繁的特性集,和机器学习算法的挖掘一步一步的意识形态统一的可行解空间和节点的最短路径问题和频繁的特性集中可以被视为一个可行解空间的节点。其次,根据贝叶斯网络的人物关系分析,马尔科夫独立推理是当我们不知道一个类实例标识符的特性集,所以这些特征之间是条件独立的,通过同时发生的频率特性的特征项之间的关系,类似于最短路径问题在节点之间的距离关系,当我们不知道当前路径最优解,以及节点之间的可行解空间是相互独立的。同时,由于最短路径问题是一个组合的可行解空间,结构的最优解是一个np难问题,通常发现所需的启发式策略;所以我们会经常特征项集挖掘过程作为一个组合优化问题,在一个相对短的时间内挖掘最大化的结合特性集,减少频繁候选特征集的冗余数量组合。最重要的是,独立的特性关系条件是通过使用启发式策略的前提条件;因此,频繁的特性集和挖掘关联挖掘的数码艺术特征的问题,可以使用机器学习算法,通过计算启发式功能收集有用的信息,经常使用信息素的性质和机器学习算法来指导频繁项集的特性,最后数字艺术协会挖掘模型的特点。

功能节点连接到边缘的频率和信息素作为一种启发式算法来选择下一个功能项节点信息,而是通过的特点n节点建立无向图,每个属性节点本身的特征频率信息的支持下,所以启发式函数也要考虑功能节点的频率信息的支持。从启发式信息和信息素,蚂蚁的影响特征子集,以满足最小支持度约束条件下,使每一个特征项特征子集的选择经常从一个集合添加特征子集年代,F挖掘出集F更频繁的特征子集,形成问题的可行解集。然后更新功能项的信息素和其他信息,并继续寻找直到迭代功能项。表1介绍了数字艺术特性的伪代码关联挖掘基于改进的机器学习算法。我是机器学习算法的迭代次数,然后呢H代表协会图书馆数字特征。

表1
数字艺术特征关联挖掘算法基于改进的机器学习算法。

基于上述特征项集频繁,数字艺术特性关联挖掘算法,特征匹配算法提出了基于数字艺术特征关联挖掘。例如,数字艺术信息和相关特征匹配,根据数字艺术协会挖掘的特点在图书馆,一直数码艺术特性的发明协会矿业与数码艺术特性匹配,当满足矿业协会数码艺术特性,数字艺术类别id对应的计数,当所有的特点,数字艺术协会挖掘比赛结束后,每个类别的概率统计数字艺术属于标识符,和候选人信息列表。算法的优点是,它是基于现有的数码艺术特征关联挖掘数据库,没有新的数字艺术的冷启动问题,和它可以直接匹配特性根据数字艺术的个人健康信息。表2提出了特征匹配算法的伪代码基于数字艺术特征关联挖掘。

表2
数字艺术特性协会基于机器学习的算法。

数字艺术特征匹配算法基于机器学习的算法需要匹配每个数字艺术特性关联矿业协会在数字艺术特性挖掘数据库与当前数字艺术,和时间复杂度O(n)。在计算过程中基于最高n,该算法通过堆获得推荐列表信息,和建筑最大堆的时间复杂度O(N)。算法后弹出堆的最大价值,调整堆的时间复杂度O(洛根),所以堆维护的时间复杂度O(N)。

数据清理后,数字艺术的反馈和评论文本基本上是一点英语和表情符号混合(使用特定字符的显示出现在计算机字符编码表,安排他们的组合来形成一个模式描述数字艺术人物的面部表情和动作)。本研究只对简体中文进行情感分析。尽管其他组件有情感组件、数据清理后他们的比例是足够小,对实验样品的影响可以忽略不计。

如图2显示,数字艺术文本数据通常是在初始阶段的字符集。任何形式的数据分析数据集的最小元素,分词是自然语言处理的第一步;尽管数字艺术文本存储在机器可读的格式,数字艺术文本分析的过程也需要最小的词素形式的文本,一个接一个。因此,数字艺术分析的基本要求是文本分割。


图2
数字艺术协会分词过程。

4所示。研究机器学习功能关联挖掘模型的数字艺术应急

有许多形式和类型的数码艺术,和每一个类别的艺术创造力和建模提供数码艺术的发展。数码绘画、摄影、电影和电视特效有自己的独特的特点。在数字艺术创作,软件的不同的感觉和表达方式会导致相同的创作元素和不同的显示形式的图片效果,可以驱动审美能力和欣赏角度的变化。这种不同的审美能力和欣赏角度可以给它更多的自己的特点和艺术魅力,可以抵消这个创建类别的研究和探索。根植于数码艺术数字技术,因为富人和各种形式的语言艺术魅力的限制以外的其他类型,没有收到研究和材料的限制,也没有收到油墨厚度的限制,更精确的措施,以及方便的打印和蔓延,这些优势深受艺术家和爱,年轻的艺术,具有强大的生命力,并提供广阔的空间和艺术表现的可能性。

数字艺术的特征属性通常分为显性和隐性数据。占主导地位的数据所表达的明显特征信息数码艺术的特征属性。显式特性预测意味着协会正在nknown功能属性和分类结果的数字艺术可以直接通过已知的功能属性和预测具有类似功能的其他信息,数字艺术属性可能有其他类似的功能属性,这是预测的概念基于协同过滤的分类算法。它是一个典型的集体智慧方法寻找类似的数字艺术通过数字艺术和推荐的各个特征属性相似的数字艺术的特征属性的当前数字艺术预测和分类。基于社区协同过滤的预测分类算法还包括两个分支:协同过滤算法基于数字艺术的关系(u u矩阵)和基于项目的协同过滤算法(我矩阵)的关系。

协同过滤预测分类算法基于数字艺术之间的关系预测功能的缺失值属性和当前的数字艺术的分类结果根据相同的“评价”标准,即根据数字艺术具有相同功能属性作为数字艺术。如果一些数码艺术的特征属性u和数字艺术 相同,那么特征属性的值的数字艺术吗u类似于属性的特性吗f数字艺术 。协同过滤基于数字艺术首先构造数字艺术的个人特征属性数据矩阵,与行代表数字艺术和列代表特征属性值,如表所示3。

表3
数字艺术特征属性数据矩阵。

DB-PRBM模型是一个无向概率图模型和隐式特征提取的功能。算法的基本思想是重建输入数据的特点和缺失的功能进行关联挖掘功能和预测数据。基于预测功能属性模型可被代表理论,证明了DB-PRBM模型可以模拟真实的概率分布。协同过滤特性的计算过程关联挖掘解决方案和预测算法基于隐式反馈图所示3。


图3
计算过程中丢失的特性关联挖掘基于隐式反馈。

协同过滤功能的第一步协会采矿和预测算法基于隐式反馈训练重量参数。用户的个人特征信息作为训练集,基于弹性系数和模型训练算法用于计算重量参数。第二步是重建用户特征数据通过使用网络,这是在两个阶段:完成编码和解码。用户功能重建的过程需要考虑所有用户的功能单位。它不仅可以重建的原始功能用户还确定丢失的特性。同时,该算法可以预测用户的功能分类和计算的概率用户属于功能分类识别。同样,头n个方法还用于排序的概率和预测用户属于每一个功能类别。

5。结果分析

本研究探讨了数字艺术特性的挖掘算法的有效性协会挖掘。首先,该算法运行时间在不同最小支持度和最小信心了,如图4。两个数据集的实验结果表明,最小的信心的变化对运行时的性能几乎没有影响,但运行时增加指数最低支持时降低。


图4
运行时的数据集数字艺术。

至于数码艺术特性关联规则的数量由机器学习,如图5关联挖掘,数字艺术特征是类似于运行时间,从而增加成倍的减少最小的支持。


图5
数量关联规则的艺术特征与不同的最小支持度和最小的信心。

为了验证提出的特征匹配算法基于数字艺术协会挖掘的特点(FM)辆车,我们的车是调频算法的有效性与下面的代表特征匹配算法相比:基于用户的协同过滤算法(基于先验的基于用户的CF,特征匹配算法和基于FP-tree的特征匹配算法,本章提出的算法和特征匹配算法具有相似性和可比性。实验结果是基于两个评价指标,即精度和平均绝对误差(MAE),对推荐算法的性能进行评估。实验结果如图所示6的影响,代表头n个列表的长度由特征匹配特征匹配的结果。从实验结果可以看到,所列出的特征匹配算法基于数字艺术特征关联挖掘是优于代表该领域的特征匹配算法在精度和平均绝对误差,这表明该CAR-FM算法可以有效地提高特征匹配算法的有效性和准确性。

(一)
(一)
(b)
(b)
图6
比较准确率和平均绝对误差的数字艺术特征匹配算法。

下表4,传统的机器学习模型特征数据集的皮肤病协会矿业准确率很低;原因是皮肤疾病有更多类别的数据集分类识别,缺乏机器学习方法和插值技术的特征相结合的方法,不获得更好的功能关联挖掘的准确性。然而,对于功能的准确性协会挖掘在慢性肾脏疾病数据,传统的机器学习方法结合功能缺失的插值法可以获得更高精度的特征关联挖掘。

表4
最好的功能关联挖掘结果基于传统机器学习。

所有的实验结果进行了分析,相关功能的采矿方法和方法提出了研究应用于基准数据和各种缺失的特性比较分析,如图7。


图7
比较关联挖掘方法基于不同的特性与原始数据和各种缺失度。

为了验证最优特征子集的选择特征相关联的挖掘,通过减少维度和特征矢量数据的数量,是否可以降低算法的复杂性,并提高关联挖掘特性预测的准确性,我们使用以下模型最优特征子集协会挖掘精度分析的非负矩阵分解的特点,如主成分分析、和朴素贝叶斯分类器;实验结果如图所示8。

(一)
(一)
(b)
(b)
图8
分析功能协会挖掘准确性基于原始数据集和特征子集。

与传统的机器学习方法相比,提出的改进的加权用户协同过滤和特征隐式反馈协同过滤特征识别方法有更高的精度数据缺失的功能分类识别和预测结果。同时,实验通过隔离的原始数据集已无关和冗余功能属性,使用原始数据模型识别的最优特征子集,以证明最优特征子集的不同特征识别算法用于识别精度的特点,高于原始数据集相同的特征识别和分类算法的预测精度。在这项研究中提出的算法也适用于相同的类似的数据应用中存在的问题。特征识别方法可以有效地识别丢失的数据进行分类和预测的特点,它可以证明,在这项研究中提出的算法具有良好的通用性和实用价值。

6。结论

作为艺术的数字传播导致的多元化创意主题,传播本身成为一种创造性的行为。它还使内容和形式的艺术,以达到最大程度的共享。分享是让每个人都分享艺术进步和成就的传递和传播艺术的成就和本质。本研究提出了一种启发式的采矿和特征匹配算法的数字艺术特性关联挖掘基于特性的关系。通过马尔可夫独立推理特性关系,分析计算域数据隐藏的相关关系。介绍了分类和连续数据特征属性扩展二进制模式的数据特性,和启发式特征挖掘进行基于最小支持度和最小的信心,和特征匹配算法基于数字艺术特征关联挖掘算法。实用机器学习数据库的功能和特点,数字艺术协会挖掘频繁的实验结果表明,该启发式特征挖掘算法可以有效地我的数字艺术协会挖掘模式的功能特点进一步提高整体特性识别效果,基于数字艺术协会挖掘功能的特征匹配算法,可以有效地提高特征匹配算法的准确性。

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

作者宣称没有利益冲突。

确认

这项工作是由2020年安徽省质量工程课程思想政治课程示范项目、阶段性成果的“室内设计”的基础(2020 szsfkc0304)和2019年人文社会科学研究项目在安徽省高校,阶段性成果的“文化身份和多维市场开发的B & B设计理论的基础上,创新驱动发展战略”(SK2019JD18)。