一个高效和快速模型降低了人类活动识别内核资讯

文摘

积累的数据和人工智能的发展,人类活动识别吸引了很多研究人员的关注。许多经典的机器学习算法,如人工神经网络前馈神经网络,K最近的邻居,支持向量机,实现良好的性能检测人类活动。然而,这些算法都有自己的局限性和其预测精度仍有改善的空间。在这项研究中,我们关注的焦点K最近的邻居(资讯)和解决其局限性。首先,内核方法用于模型资讯,转换输入特性高维特性。该模型与内核(K-KNN)然而,提高分类的准确性。其次,小说提出了减少内核方法和用于模型K-KNN,命名为减少内核资讯(RK-KNN)。它减少了处理时间和提高分类性能。此外,本研究提出了一个方法定义的数量K邻居,这减少了参数依赖性问题。实验工作的基础上,提出RK-KNN获得最好的性能基准和人类活动数据集与其他模型相比。它有超级人类活动识别分类能力。人类活动数据的准确性是智能手机HAPT为91.60%和92.67%,分别。一般,相比之下,传统的资讯,该模型RK-KNN增加了准确性和1.82%的降低标准差0.27。资讯之间的小间隙的处理时间和RK-KNN数据只有1.26秒。

1。介绍

自21世纪以来,互联网的发展和可穿戴设备的普及带来了数据爆炸。这些大量的数据提供的基础构建人工智能(AI)算法。近几十年来,机器学习算法为骨干的AI有巨大的进步在很多领域,例如,风速预测在巴西通过机器学习算法(1),天气由模糊时间序列预测模型2)、自动睡眠阶段分类的卷积神经网络(3),和疾病分类4,5]。

同时,微处理器的发展和高计算能力,使传感器体积小、低成本、便携设备,如智能手机、乐队、智能手表,或专业传感器,广泛使用和记录用户的庞大的数据。此外,机器学习算法成功解决问题在我们的日常生活6- - - - - -8]。如今,活动识别使用可穿戴传感器数据吸引注意力从研究人员和商人。机器学习算法也应用于变体智能设备,如智能乐队活动检测与记录的元素不同的活动情况保持健康,或与秋天iWatch检测功能,协助监测老年人活动和惊人的危险活动。最先进的分类器成功地实现在人类活动识别。人工神经网络(ANN)是一种广泛使用的模型,模型的输入和输出单元之间的关系。最受欢迎的培训在安是迭代的反向传播学习算法的权重预测类标签。文献[9安)也适用于最优分类器识别人类活动基于移动传感器数据。然而,反向传播算法需要长时间寻找合适的权重的安。它限制了应用程序的环境。其他著名的模型被称为支持向量机(SVM)。印度et al。10)结合了广泛使用的方法支持向量机中的新型代表人类活动对人类活动分类方案。由于内核计算,支持向量机还需要模型安面临同样的问题。除此之外,k最近的邻居(资讯)是一个简单但有效的机器学习分类识别算法被广泛应用。它应用于构建一个人类活动识别系统和获得显著表现突出11]。

虽然计算资讯已经低于其他经典的机器学习算法,它在分类的处理仍有局限性。有三个主要的目标是在这项研究中。第一个是提高分类性能与传统的资讯。本研究采用内核方法将高维输入数据的特性。其次,资讯将面临沉重的计算数据时大了。因此,第二个目标是提出一种新颖的减少内核减少处理时间和进一步提高分类精度。最后,资讯的参数依赖性问题是一个热门话题。本研究提出的方法定义的数量K比其他的邻居,达到最佳的分类性能。因此,本研究的四个贡献简要描述如下:(我)内核方法应用于资讯获得高维特征的分类性能的影响积极的方式。(2)小说提出了减少内核方法。它成功地应用于减少内核的重计算方法和提高计算效率。一个高效和快速的模型称为减少内核提出资讯。(3)定义的方法的数量K提出了邻居,获得优异的性能相比,分类。(iv)该模型不仅具有优越的人类活动能力认可,但也达到了更好的性能与其他模型相比。因此,广义的分类能力。

本文组织如下。部分2回顾了传统模型资讯。部分3描述了我们的新方法和模型。部分4解释我们的实验设置和评价算法对基线和证明了修改模型影响的分类性能。部分5提供的结论。

2。初步工程

然而,吸引了很多研究人员和项目开发人员的关注。由于其易于实现的特点,它被广泛应用于解决分类和回归问题,如金融时间序列预测12),短期交通流预测(13)、疾病的识别在水稻叶子14),和人类活动识别(11]。虽然达到良好的性能在不同的领域,它仍然具有处理大规模数据的限制。计算复杂性会增加在资讯数据在使用生长的大小。简要介绍我们的方法之前,让我们首先代表资讯的工作过程。

在分类方面,然而,距离特性适用于预测未来样本如何封闭训练集的点。它与最接近的特性分类样本距离到特定类别。输出是一个类成员。多数投票对象分类的邻国,与被分配的对象类中最为普遍K最近的邻居。一般来说,K是一个正整数和小价值的资讯。介绍了工作过程为以下步骤:首先,我们假设 是输入特性和 ,在哪里代表数据的大小的数量特征。与此同时,是一个向量代表的标签对应的输入特性。其次,的价值K应该由用户定义,直接影响分类的性能。接下来,它计算训练样本之间的距离和当前样本发短信数据。一般来说,为了避免对象之间的匹配问题,距离计算欧氏距离方程。假设有两个对象和n维。距离的方程如下所示:

基于所有距离,设置一个指数,然后按升序排序。然后,它会选择顶部K行排序的索引。然后,保持顶部K行排序的所有类指数。最后,返回的类标签基于最常见的类处理索引。算法伪代码显示了资讯1。

基于先前的研究研究传统资讯和变体资讯,许多研究工作在分类起到了至关重要的作用。例如,基于资讯多标记学习懒惰的方法,主要应用最大后验(MAP)原理获得从训练数据统计信息,决定了标签设置为看不见的实例(15]。此外,整体算法基于资讯也吸引了注意力。肖提出了一个集成学习算法,应用支持向量机和资讯交通事件检测(16]。另一方面,研究更加关注参数的定义的问题K变体资讯,直接影响分类的性能。Zhang et al。17)提出了一个S-KNN算法确定最优K价值。沙玛(18]DBSCAN用于设置显示参数信息的数据积累在集群结构。

因此,根据资讯资讯和变体的特点,他们有两个主要缺点现有分类的过程中。资讯的参数以及变异资讯影响分类的性能。计算复杂性将大幅增长,当数据规模的增加。因此,本研究的主要目的是建立一个高效的基于资讯和快速分类模型来解决这两个问题,提高分类性能,特别是人类活动。下面将解释该方法改善分类性能和减少计算复杂度。

3所示。方法

大型数据,时间的消费资讯主要是研究机器学习。尽管资讯有效分类,沉重的计算通常是实际项目中应用的障碍,当训练数据变得非常大。在本节中,一个高效和快速模型引入基于基线模型资讯在一定程度上提高分类性能,提高培训效率。首先,数据处理。其次,模型资讯与内核方法介绍,内核方法应用于资讯。它使用内核的特点方法扩大特征的维数,提高分类的性能基线模型中的资讯。接下来,减少内核方法介绍。主要集中在减少内核计算。最后,我们建议的方法的细节。

3.1。数据处理

在本节中,我们假设数据集(X),样品代表如下: 在哪里元素的特性吗我th行和jth列的数据矩阵和代表的数量特征。最后一列的是相应的标签( )。

然后,数据( )由训练数据分离( )和测试数据( )。相应的功能和标签 , 和 , ,分别。在这里,我们将训练数据的数量 。矩阵数据(X)可以处理如下: 相应的标签在哪儿吗 和 。

3.2。然而,与内核方法

内核方法应用于不同的算法,如极端学习机(19),支持向量机(20.),在线学习算法(21,22),和多层算法(23,24),在回归和分类获得良好的性能。内核方法将高维特征的低维特征。在这项研究中,我们采用高斯核方法( )处理功能。其数学方程所示以下方程: 在哪里和输入数据的意思是和 ,分别为,代表的内核参数是由用户定义的。

本研究采用高斯内核提供高维特征分类数据集的方法。它是用来结合资讯算法为了提高其分类能力。这个算法命名为再内核(K-KNN)。的主要工作过程K-KNN由四部分分离。首先,数据的特性,包括和 ,由高斯内核方法转换。内核矩阵的培训功能( )和测试功能( )通过方程计算(6)和(7),分别为:

其次,所有的测试功能和培训功能之间的距离矩阵计算了方程(1)。接下来,每个类的距离升序排序,然后选择K排序的集合中的元素的索引。最后,预测类将根据投票最常见的一类加工指数。K-KNN算法。所示的主要过程2。

然而,高斯内核方法带来沉重的计算与数据规模的增加,从而直接导致效率的降低K-KNN模型。为了解决这个限制,提高计算的效率在分类的过程中,减少了内核方法提出了这项研究。下一节将介绍细节。

3.3。降低资讯与内核的方法

本节提出了一种新的模式命名与内核方法降低资讯(RK-KNN)。它应用减少了内核的方法,取代了内在K-KNN内核方法模型。

减少了内核的方法的主要思想是将一定比例的训练数据从每个类计算内核矩阵,直接减少了内核方法的计算复杂性。一般来说,变体模型与内核方法有良好的回归和分类性能。例如,极端的学习机器与内核(凯尔姆经常)25,26)甚至在回归和分类获得更好的性能比传统的极端的学习机器。经典的支持向量机模型(SVM)内核方法适用于连接输入层和隐层,它提供了高维支持向量变换原始输入功能。内核模型的支持向量机方法也起着至关重要的作用在提高分类性能。这些算法使用整个输入计算内核矩阵。这项研究声称内核矩阵计算的随机选择训练样本观察。这种类型的特征表示是一样的,甚至比传统的内核矩阵。减少了内核的数学方程表示如下: 在哪里是减少了内核矩阵,P代表了选择比例计算内核矩阵,代表所选P样本输入数据一个。

然后,减少了内核矩阵的训练和测试数据可以通过方程计算(9)和(10),分别为: 在哪里代表了P比例的样本观察每个类的培训 。

内核矩阵可以取代减少K-KNN内核矩阵,完整核矩阵的计算已低于内核K-KNN矩阵模型。减少了内核方法不仅使高维特征从内核的方法,但也减少了内核矩阵的计算过程通过选择一定比例的训练样本。因此,短暂RK-KNN见算法的伪代码3。

4所示。实验工作

证明内核方法和减少方法发挥了重要作用增强的分类性能和降低资讯处理时间的模型,本节适用十基准数据集(二进制和多级)和人类活动两个真实的数据集。此外,参数依赖性存在于资讯的变体模型。这一节的最后一部分指出如何定义的范围K在我们的模型参数。

4.1。数据描述和参数设置

运行十基准和人类活动两个数据集的实验,其中包括二进制和多级。

真实世界的数据,本研究使用了两个人类活动数据集在接下来的实验。第一个数据是人类活动的分享服务识别和姿势转换数据集(HAPT) [27]。它捕获3-axial线性加速度和角速度3-axial以恒定速率50 Hz使用设备的嵌入式加速器和陀螺仪。图1显示活动的条件,包括stand-to-sit sit-to-stand, sit-to-lie, lie-to-sit stand-to-lie, lie-to-stand。

其他人类活动数据智能手机数据集人类活动识别环境辅助生活数据(智能手机)28]。图2显示了不同的人类活动,包括站立,坐,躺,走路,走上楼,下楼散步。

获得的数据集随机划分为两组,70%的志愿者在哪里选择生成训练数据和其余志愿者属于测试数据。

此外,可以找到所有基准数据集的一部分从UCI机器学习库分类。在基准特性和类的数量和实际数据集如表所示1。

此外,参数设置直接影响分类的性能。相当模型之间的比较是必要的。首先,资讯和所有资讯变体模型需要定义邻居的数量(K)。下面的实验设置的邻居数量(K)所有的班级规模相比模型。其次,由于模型中使用的内核方法K-KNN RK-KNN,内核参数设置相同数量。最后,减少内核计算,选定的被定义为10%,基准为30%,RK-KNN现实世界的数据模型。

4.2。实验结果和讨论

基于参数设置,比较三个模型,包括基线模型资讯,资讯与内核的方法,并提出RK-KNN模型。由于随机选择的训练和测试样本数据集,所有实验运行十倍以保持分类的泛化性能。此外,比较训练时间相当,我们运行所有的实验python3.6版本Windows下10系统16 GB的内存和英特尔第八代i7处理器。

表2显示了分类性能基准测试和真实的数据集。准确性是用来确定分类的能力水平。标准偏差(SD)显示了十倍的预测结果之间的差异。最后一列显示了处理时间(时间)的模型,这是记录在秒。基于对比基线模型的资讯和其他两个模型,它表明内核方法和减少了内核的方法发挥了重要作用方面增强的分类和处理效率。首先,比较与K-KNN资讯的性能模型,模型K-KNN更好的性能在所有的数据集的资讯。一般,模型的准确性K-KNN资讯与基线相比增加0.06%模型。最大限度的增加(1.17%)出现在智能手机数据集。同时,K-KNN HAPT数据的性能不断的资讯与模型。方面的标准偏差,模型中的真实数据集K-KNN值低于模型资讯。 There are similar differences in SD for benchmarks. However, the processing time in model K-KNN is almost ten times that of model KNN.

保持内核方法的优势提高分类能力和克服重内核计算的局限性,我们提出一个有效和快速RK-KNN模型。第二个实验关注的角色,减少K-KNN内核方法在模型。模型之间的性能比较K-KNN RK-KNN。一般,模型的准确性RK-KNN与模型K-KNN相比增加了1.46%。此外,模型RK-KNN最佳的性能在所有的数据集。最大增长速率出现在心脏数据,从而增加3.09% K-KNN模型。最小的增加(0.20%)存在于拼接。真实数据集,模型RK-KNN不仅发展分类精度,这对HAPT增加了0.58%和0.29%的智能手机,但也减少了至少十倍比模型K-KNN处理时间。方面的标准偏差、平均模型RK-KNN最低标准偏差这三个模型相比。它表明,模型RK-KNN比其他人有更稳定的分类能力。 On the other hand, the average processing time of model RK-ELM in all datasets is close to that of model KNN. Especially for the real-world datasets, the processing time of model RK-KNN is less than that of model KNN. Therefore, the proposed model RK-KNN not only enhances the classification ability in the benchmarks and human activity datasets, but also reduces the kernel computation.

4.3。统计分析

在本部分中,它适用于弗里德曼的测试来检查不同的修改模型是否影响所有基准的表现和真实的数据集。弗里德曼测试数据是一组十二个不同的数据集的分类精度性能不同的数据结果的变化在不同的修改模型。测试数据如表所示3。的是,分类精度将是相同的,不管修改模型。我们在IBM SPSS统计21运行弗里德曼测试。根据测试结果,在95%的显著水平弗里德曼测试的值是0。因为值小于0.05,我们可以拒绝 。因此,有足够的证据表明修改模型极大地改变了分类性能。

4.4。的影响K邻居

K资讯的价值及其变体模型影响的分类性能。K值等于1意味着需要一个最近邻点根据其标签和分类查询。如果价值K非常大,该模型将underfit。因此,K值是直接影响分类结果的关键因素。进一步分析的规则K邻居对分类性能的影响,证明我们的声明有关的定义K邻居在我们提出的模型中,这部分观察一定范围内的不同的表现K模型RK-KNN的邻居。基准提供的范围从2到8个K邻居的价值。现实世界的数据集3和9之间的范围K邻居的价值。表4显示了该模型的性能RK-KNN不同范围的基准和真实的数据。它表明,法治K邻居选择和大胆的数量是每个数据的最佳性能在不同的范围K邻居。明星的结果表明,该模型的计算精度,邻居数量设置为类的大小。根据性能的不同数量的K邻居模型RK-KNN,大多数班级规模的数据集作为邻国出现最佳的性能。有两个二进制类数据集,包括糖尿病和拼接现有最好的性能设置数量的邻居八的情况。然而,第二个最高的精度提出的邻居数量设置。除此之外,最好的和第二精度之间有小的差别,分别包括0.35%的糖尿病和1.95%。因此,我们的方法在模型中设置班级规模的邻居RK-KNN获得最好的性能基准的分类和真实的数据集。它可以用于定义邻居的数量在我们提出的模型中,直接解决问题的参数依赖性问题。

5。结论

在这篇文章中,一个有效的和小说命名为减少内核模式K最近的邻居了。本研究主要提出了三种方法来修改模型资讯,提高分类能力。首先,内核方法将高维输入数据变换特性,这直接影响着分类性能的积极的方式。结合模型作为K-KNN资讯和命名。比较的性能与K-KNN资讯,K-KNN获得更好的性能在所有的数据集。其次,减少内核的沉重的计算方法,提出了一种新颖的方法,应用于K-KNN。它是RK-ELM的缩写。RK-KNN提出模型的主要目标是提高效率和分类精度。最后一个方法是选择正确的方法K参数。我们的方法很容易寻求合适的K提出了模型中的参数。实验工作的基础上,我们提出的模型获得最好的性能基准测试和人类活动数据。模型不仅RK-KNN比别人有更稳定的分类能力,但它的平均处理时间是接近传统的资讯。它减少了大约10倍K-KNN处理时间比模型。此外,的分布K邻居也证明该方法更容易设置RK-KNN邻居的数量模型,也获得分类精度最高。因此,我们的模型在人类活动识别和超能力发挥了重要作用,解决一般的分类能力。在未来,我们将把重点放在减少比例在我们提出的简化方法,这在一定程度上影响分类的性能。

数据可用性

基准和现实世界的数据用于支持这项研究的结果已经存入UCI机器学习库。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

所有作者都参与和设计概念,或数据的分析和解释,本文起草和修改它至关重要的知识内容,并批准了最终版本。

确认

这部分工作是支持基础研究基金下的中央大学授予3132019400和个人研究基金资助下3132019400。

引用

1. k·阿里·l·马查多,r . o . Nunes“风速时间序列的预测使用机器学习算法:一个案例研究osorio风电场,巴西,“应用能源卷,224年,第566 - 550页,2018年。视图:谷歌学术搜索
2. e·苏亚雷斯·科斯塔小b·科斯塔和d·雷特”的发展数据云气象时间序列预测和模糊模型,”应用软计算卷,64年,第453 - 445页,2018年。视图:出版商的网站|谷歌学术搜索
3. h .表象、Andreotti f . n . Cooray o . y . Chen和m . De Vos”联合分类和预测cnn框架自动睡眠阶段分类,“IEEE生物医学工程,卷66,不。5,1285 - 1296年,2018页。视图:谷歌学术搜索
4. s . k . Lakshmanaprabu k . s . Sachi南丹•莫汉蒂,n . Arunkumar g·拉米雷斯,“最佳深度学习模型分类肺癌的ct图像,”未来一代计算机系统卷,92年,第382 - 374页,2019年。视图:谷歌学术搜索
5. 美国汗:伊斯兰教,z 1月,即Ud喧嚣,j·罗德里格斯,“小说深度学习的基础框架,使用转移乳腺癌的检测和分类学习,”模式识别的字母卷,125年,页1 - 6,2019。视图:出版商的网站|谷歌学术搜索
6. m·谢里夫(s . Bhagavatula、l·鲍尔和m . k . Reiter”装饰犯罪:真实和隐形攻击最先进的人脸识别,”学报2016 Acm Sigsac计算机和通信安全会议,第1540 - 1528页,维也纳,奥地利,2016年10月。视图:谷歌学术搜索
7. 莫汉,c . Thirumalai g·斯利瓦斯塔瓦,“心脏病有效预测使用混合动力机器学习技术,”IEEE访问7卷,第81554 - 81542页,2019年。视图:出版商的网站|谷歌学术搜索
8. b·m·恩里克v . a . Sobreiro h .木村,“文献综述:机器学习技术应用到金融市场预测,“专家系统与应用程序卷,124年,第251 - 226页,2019年。视图:出版商的网站|谷歌学术搜索
9. 诉拉吉夫·h·基肖尔,m·维拉斯“人类活动基于Pca的安最优分类器识别使用移动传感器数据,”诉讼的第一次国际会议上对智能系统的信息和通信技术,1卷,页429 - 436,施普林格,柏林,德国,2016年5月。视图:谷歌学术搜索
10. 答:印度,r . Bhargavi诉Vaidehi,“非正常人类活动识别使用基于支持向量机的方法,”学报2012年信息技术国际会议上最近的趋势IEEE,钦奈,泰米尔纳德邦,印度,2012年4月。视图:谷歌学术搜索
11. 萨尼,n . Wiratunga美国强大,k . Cooper,“资讯抽样个性化的人类活动识别,”案例推理的研究和发展卷,99年,第344 - 330页,2017年。视图:出版商的网站|谷歌学术搜索
12. l .唐·h·潘,y姚明,“Pank-a金融时间序列预测模型集成主成分分析,亲和力传播聚类和嵌套再回归,”跨学科的数学杂志,21卷,不。3、717 - 728年,2018页。视图:出版商的网站|谷歌学术搜索
13. l .赵w·杜,D。美燕,c . Gan和J。华郭”,短期交通流预测的基础上再加上支持向量回归,”高速公路和交通研究期刊》的研究和开发(英语版),12卷,不。1,第96 - 89页,2018。视图:谷歌学术搜索
14. m . Suresha k . n . Shreekanth, b . v . Thirumalesh”识别疾病在水稻叶片使用资讯分类器,”学报》2017年第2收敛技术国际会议(I2CT)IEEE,页663 - 666年,孟买,印度,2017年4月。视图:谷歌学术搜索
15. >。张,z . Ml-knn Z.-H。周,“ML-KNN:一个懒散的学习方法多标记学习”模式识别,40卷,不。7,2038 - 2048年,2007页。视图:出版商的网站|谷歌学术搜索
16. j·肖”,支持向量机和整体学习资讯对交通事件检测,”自然史答:统计力学及其应用卷。517年,29-35,2019页。视图:出版商的网站|谷歌学术搜索
17. 张,d . Cheng z邓,m .宗庆后和邓x”,小说资讯和数据驱动算法K参数计算,”模式识别的字母卷。109年,44-54,2018页。视图:谷歌学术搜索
18. 沙玛和a·夏尔马”Knn-dbscan:使用再信息parameter-free基于密度的聚类,”学报2017智能计算国际会议上,仪表和控制技术(ICICICT)IEEE,页787 - 792年,Kannur,喀拉拉邦,印度,2017年6月。视图:谷歌学术搜索
19. G.-B。黄,Q。朱昱,C.-K。萧,“极端的学习机器:前馈神经网络的一个新的学习计划,”学报2004年IEEE国际联合会议上神经网络(IEEE猫。没有。04 ch37541),卷2,页985 - 990,布达佩斯,匈牙利,2004年7月。视图:谷歌学术搜索
20. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
21. c . k . z . Liu厕所,k . Pasupa和m . Seera“元认知复发内核在线连续极端学习机内核自适应滤波器概念漂移处理,”人工智能技术的工程应用文章ID 103327卷,88年,2020年。视图:出版商的网站|谷歌学术搜索
22. 西蒙Scardapane, d . Comminiello m . Scarpiniti, a . Uncini”在线连续的极端与内核学习机器,”IEEE神经网络和学习系统,26卷,不。9日,第2220 - 2214页,2014年。视图:谷歌学术搜索
23. k . z . Liu楚,k . Pasupa”小说错误输出复发两层多步骤的时间序列预测极端的学习机器,”可持续城市和社会ID 102613条,卷。10日,2020年。视图:谷歌学术搜索
24. c . c . m . Wong男人疯人,和曹j . k . Pak Wong“基于多层极端的学习机器学习表示,“IEEE神经网络和学习系统卷,29号3、757 - 762年,2016页。视图:谷歌学术搜索
25. 刘z和k .春。Masuyama和k Pasupa”、“复发性内核极端水库机时间序列预测,“IEEE访问》第六卷,第19596 - 19583页,2018年。视图:谷歌学术搜索
26. a . Iosifidis a Tefas,皮塔饼,“内核极端的机器学习分类器,”模式识别的字母卷,54岁,17岁,2015页。视图:出版商的网站|谷歌学术搜索
27. J.-L。Reyes-Ortiz, l . Oneto a .央行x Parra,和d . Anguita“Transition-aware人类活动识别使用智能手机,”Neurocomputing卷,171年,第767 - 754页,2016年。视图:出版商的网站|谷歌学术搜索
28. d . Dua和c·格拉夫UCI机器学习库”,2017。视图:谷歌学术搜索

版权

版权©2021 Zongying刘et al。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。