文摘
生成的信息的多方面和多层次处理多个传感器的数据更有意义的比单一传感器获得的信息和各种应用系统提供了准确的信息和决策依据。如何将数据挖掘理论应用于多传感器跨媒体领域已成为一个研究热点。通过多传感器跨媒体数据的分析,挖掘出具有重要意义的重要规则,信息或知识隐藏在它和用它来跨媒体检索引擎。规则收购专家系统的“瓶颈”问题。本文采用基于粗糙集的数据挖掘方法获取规则,提高了属性约简的基本算法。使用属性约简算法和启发式值约简算法,计算简化和减少效率提高。表示,根据跨媒体的特点和专家系统的应用需求,本文以案例表示基于特征为基础,根据功能分类情况下属性。检索,根据案例特征的层次结构,整个案例数据库被组织成一个多级分层索引结构。本文构造一个跨媒体检索引擎从分类的角度设计,和欧氏距离作为相似性匹配模型的图像内容。共同初步检索图像和音频检索的设计过程从一个媒体类型到另一个,并建立相应的跨媒体索引。 The experimental results show that the algorithm has better processing effect and higher accuracy than other algorithms. Different k-nearest neighbor values were selected in the experiment, and it reached about 96% in the test environment of libsvm toolbox, which is better than the processing results of LE and LLE algorithms.
1。介绍
多传感器信息融合方法的总结,结合,全面分析当地来自多个来源的信息和多维处理之间的矛盾和不确定性信息收集由多个传感器来实现综合信息处理(1]。这是一个多层次的系统集成检测、关联、估计、滤波、预测和识别。多传感器信息融合系统现在广泛应用于各个领域,如军事领域,传感器网络、机器人技术、视频和图像处理和智能系统设计(2]。在单传感器系统中,探测距离的限制,检测精度,和可能遇到的噪音或干扰测量,单个传感器检测到的信息往往是不准确和不完整的3]。检测任务需要多个传感器共同努力,因此,单一传感器系统有很大的局限性。在多传感器系统中,多个传感器检测目标的同时,也发现数据之间的冗余和互补。最终融合结果不依赖于一个特定的传感器,即使有一个问题一个传感器。其他有效的检测信息传感器也可以用来融合,所以多传感器可以有效地提高融合系统的可靠性和稳定性4]。在多传感器信息融合,许多关键技术,如数据协会跟踪滤波、和目标识别。仍然有一些困难需要解决在这些字段5]。
创新的科技和工业生产能力的提高,计算机普及的成本为载体的互联网已经逐渐减少。近年来,互联网+提出的概念。作为一个新兴的信息传播媒介,互联网已逐渐取代了传统信息媒体如报纸和杂志,已逐渐成为人们获取信息的主要通道每天(6]。由于介质的限制,单个文本信息载体的能力非常有限的过去,但互联网,以其强大的数据流通能力,催生了更直观和具体的多媒体信息载体,让用户获得更全面的信息(7]。然而,在互联网上的数据量的爆炸性增长,多媒体载体的多样化使人们不再满足于在一个多媒体检索的形式。不知道歌手的名字,用户想要搜索歌手的相册,和音频检索无法满足的需求。在这个时候,有必要通过音频跨媒体检索图像。同时,科学实验表明,当人们接触新事物,接受不同的多媒体信息,比如音频和图像在同一时间将使人们理解新事物更加全面和留下更深刻的印象8]。可以看出,跨媒体检索不仅在现实生活中具有实际应用价值,也有科学领域的理论研究意义。
本文讨论了基于规则的推理诊断方法的理论基础,知识获取和表示关系的方法是研究和提出了基于粗糙集理论的数据挖掘方法获取规则的解决这个问题。具体来说,本文的技术贡献可以概括如下:
首先,本文运用粗糙集的属性约简算法来过滤冗余属性。属性值减少后,建立多传感器跨媒体数据挖掘的决策表,推导出规则,并形成知识库,它提供了多传感器跨媒体数据挖掘的基础。
其次,介绍了产生式规则的知识表达方法,用产生式规则的形式代表规则的知识。在本文中,一个统一的描述和多源异构信息融合方法在状态监测,和多传感器提出了跨媒体数据挖掘使用随机集理论。的方法确定全球传感器的观测值的观察每一个独立的传感器。全球传感器的值与每个州在sample数据库,似然函数是用来确定的基本概率分配值可用于随机集融合。
第三,本文的主观模糊信息处理专家意见通过使用随机集理论,然后给出了主观模糊信息的基本概率赋值的方法。在此基础上,合成公式下随机集理论用于融合两种不同数据源的信息,并给出最终状态检测的结果。
第四,本文介绍了model-the-cross-media原始生成模型和拉普拉斯算子eigenmap基于自适应最近邻。一些实验对该模型进行实现指数建立跨媒体检索和跨媒体检索的过程进行了分析,包括使用改进的DTW算法基于演讲,奇异值分解算法基于图像,MDS算法。验证,该模型是有效的在实践中从不同的角度。通过比较实验,我们分析的好特征最近邻匹配算法,给这些模拟的可视化结果。
2。相关工作
虽然信息融合的应用研究非常广泛,信息融合本身尚未形成一个基本的理论框架和一个有效的广义融合模型和算法9]。大部分工作是开展研究问题在特定的应用领域;也就是说,目前的信息融合问题研究是基于类型的问题。这些研究只反映了固有的面向对象特征信息融合,,很难形成一个完整的理论体系所必需的信息融合作为一个独立的学科(10]。缺乏阻碍了研究者的理论深入理解信息融合本身,也使得信息融合只视为一个多传感器信息处理的概念在某种程度上;人们很难全面分析和评估融合系统,这使得融合系统的设计有一定的失明。因此,尽管许多数学家探索融合系统的性能评价,这些评价只提出一些具体的系统性能指标,或分析某一特定应用背景融合算法(11]。
在信息融合领域,理论研究远远落后于实际需求,到目前为止,还没有一个相对严格的原理和方法与一般的指导意义(12]。多源信息融合技术仍然是一个非常不成熟的技术。目前没有统一的定义信息融合过程的功能和形式本身,和一般的数学模型不能建立了信息融合。他们中的大多数是基于专家系统的设计方法,和基本的研究总体结构设计专门用于多传感器信息融合问题已经开始,但没有突破性的实质性进展。有各种各样的意见信息融合的研究内容和方法13]。有些人将信息融合为最优估计multi-information从数学的角度和控制,而另一些人则认为信息融合不能简单地视为一个东西或一个技术,但应当被视为一个智能的思考方式。尽管众说纷纭,但有一个共同的理解,一般来说,更准确、更全面、更可靠的环境信息可以使用多个来源获得的信息比只有一个单一的信息来源(14]。
主题模型是广泛用于cross-media-related问题。最早的相应的隐式狄利克雷分布提出有效的联合分布模型两种形式和文本的条件分配给相应的形象,以一组潜在的主题为潜变量和划分这两个模式(15),而在多通道内隐狄利克雷分布模型,回归主题,两套独立的语义主题的学习和相关的回归模型。多通道文档随机场模型描述文件之间的关系通过定义一个马尔可夫随机场(16]。
早期的多媒体检索技术是基于文本,通常手册关键字注释进行多媒体资源,然后,相似度最高的被发现的资源在检索关键字匹配(17]。这个方法是有效的在早期时信息的流动是很小的。然而,与几何倍数增长的多媒体信息在互联网上,这种方法已经开始显得有些无效的。它不仅需要大量的时间和劳动力成本,还需要人工注释(18]。往往有一定的主观性,很难完全、客观地描述多媒体资源本身的准确信息,很容易导致额外的负面影响在检索和多媒体形式包含大量的信息,比如音频或视频手动处理是更加困难19]。考虑到的关键字检索的局限性,一些学者关注中包含的内容信息多媒体资源,提出了基于内容的多媒体检索技术(20.]。该方法放弃人工注释处理的主体性,并使用一个特定的特征提取方法提取的底层特征数据来表示多媒体信息。在检索过程中,相似性的特性可用于测量目标的匹配程度。
3所示。方法
3.1。规则推理的工作模型
基于基于规则推理的诊断技术具有清晰的逻辑,良好的可解释性,误诊率低,在多传感器跨媒体数据挖掘分析中起着重要的作用。
RBR诊断技术主要是基于系统参数的变化和它是否超过极限值来判断系统状态和识别接触类型。原因诊断时,系统将根据规则的知识(规则)基地根据参数的异常情况,并确定可能的联系,及其工作模型如图1。
知识库、推理引擎和工作记忆构成专家系统的核心。系统的主要组件是知识库和推理引擎。知识库是整个系统的基础,是组成的可核查的规则和其他领域知识。收购规则知识库是一个关键的规则推理。
reasoner选择适当的推理策略,从知识库中读取相应的规则,决定哪些规则条件满意的事实。
读取系统参数的对应字段的数据按照规定的条件。之后,事实和条件之间的匹配程度的判断规则,然后,结论是规则的审判。
3.2。基于粗糙集的数据挖掘模型
数据挖掘是提取或“挖掘”知识的大量数据,也就是说,提取隐含的、未知的,和潜在的有价值的信息和知识规则从数据库。
这种缓解或克服了知识获取的“瓶颈”问题在传统的多传感器跨媒体数据挖掘专家系统在某种程度上。
有许多数据挖掘的功能,包括分类、聚类、关联规则。其中,分类方法是当前研究的热点,在实践中最常用的方法。分类的目的是找到一个分类函数或分类模型(也常常称作分类器),可以将数据库中的数据项映射到给定类别之一(21]。分类可用于预测,预测的目的是自动获得一种趋势描述一个给定的数据从历史数据记录,以便未来可以预测数据。多传感器跨媒体数据挖掘是决定工作是否正常的通过分析运营数据,所以多传感器跨媒体数据挖掘可以被看作是一个分类问题,和数据挖掘分类技术可以用于多传感器跨媒体数据挖掘。
数据挖掘的最终目的是发现和获得有价值的知识,包括概念、规则、模式、和模型,为管理和决策提供参考和支持。这在数理统计技术集成理论与技术,数据库技术、机器学习、人工智能、神经网络、计算技术、可视化技术等领域,是一个数据从感性认识到理性认识的升华。数据挖掘是一个复杂的过程。
粗糙集(也通常被称为粗糙集)理论是研究不精确的工具,不确定的知识。粗糙集在数据挖掘理论显示了巨大的发展潜力;这是另一种有效的新方法和数学领域的数据挖掘工具。首先,数据挖掘研究的对象大多是关系数据库、关系数据库的关系表可以被看作是粗糙集理论的决策表。其次,在现实世界中是决定性的和不确定的规则。数据库包含明确的和不确定的潜在规则,它提供了一个粗糙集方法(22,23]。第三,数据库中的数据可能包含噪声,不含噪声数据处理过程中也是一个粗糙集方法。第四,在数据挖掘领域,其他处理工具,如神经网络方法不能自动选择适当的属性设置,和粗糙集理论方法用于数据预处理去除冗余属性,从而提高数据处理的效率。决策规则和推理过程获得的一组方法比理论更容易验证和检测工具,如神经网络。
因此,由于其独特的优势,粗糙集理论已经成为研究热点的科学家来自世界各地,因为它提出了。近年来,粗糙集理论已越来越显示其重要性和优越性在人工智能和认知科学,特别是在机器学习、数据挖掘、决策分析和数据库知识发现。结合知识发现的过程和特点,基于粗糙集理论的数据分析,数据挖掘的流程模型基于粗糙集理论,如图2。
在解决异构问题的信息表示和状态监测和多传感器融合跨媒体数据挖掘使用随机集理论,主要包括以下步骤:(1)传感器组是用来观察属性影响的状态监测和诊断对象,和多个独立的传感器的观测值合成全球传感器的值(2)摘要全球传感器的观测值与样本数据库中的属性值,和每个国家的基本概率分配值的形式描述随机集(3)根据条件的状态监测和诊断,专家的权重分配和专家选择的阈值决定。在这篇文章中,专家小组的形式表示随机集(4)专家意见由随机集和专家意见的基本概率分配值是通过随机设置操作(5)随机集理论的框架下,传感器信息融合与专家的主观意见信息获得最终的监测和诊断结果
专家的意见是非常重要的在实践中。他们拥有丰富的技能和经验,发挥重要作用在监测和诊断结果。在这里,随机集理论也可以用来处理专家意见,获得专家意见的信心,并与传感器数据融合得到最终判决。
3.3。数据预处理
数据预处理在数据挖掘的过程中是一个重要的一步(知识发现),特别是当数据挖掘包含噪声、不完整、甚至不一致的数据,数据预处理更需要提高数据挖掘的性能。数据挖掘对象的质量最终达到的目的提高知识质量的模式获得的数据挖掘。
当选择粗糙集的数据挖掘方法,数据表中的数据必须由离散值表示。如果该值范围的一些属性是连续的,它之前必须离散数据挖掘。粗糙集很难直接处理连续属性值的数据,它必须首先离散,然后分析了粗糙集的情况下尽可能减少信息损失(24,25]。
所谓的连续属性离散化是指将一个数值属性的属性值划分为若干个子区间,与这个区间替换原有的真正价值。因此,连续属性的离散化是关键步骤之一为实值属性决策表的预处理,等距离的结合,equifrequency,布尔逻辑,和粗糙集理论,经验值的方法可以使用[26]。
3.4。降低决策表模型
可识别矩阵的主要思想是用可识别矩阵推导出可识别函数,然后解决识别函数的析取范式。每个分隔的范式是一个系统的减少。算法的优点是直观和容易理解,可以很容易地计算内核和减少。因此,研究信息系统(决策表)转换成可识别矩阵的研究。
粗糙集理论的重要组成部分之一,属性约简可以成功地消除冗余信息,帮助人们做出正确简洁的决定。属性约简是消除冗余属性列,然后消除重复的行。在信息系统中,有识别力的矩阵中的元素值代表条件属性的组合,可以区分两个记录。可辨矩阵的属性与高频意味着属性可以从更杰出的记录,而属性频率较低意味着属性可以从少杰出记录。在极端的情况下,属性没有出现在区分矩阵,这实际上意味着房地产可以直接删除。因此,出现的数量明显的矩阵可以作为判断的基础属性的重要性:如果属性更频繁地出现在明显的矩阵,它表明,属性有一个更好的区分和增加它的重要性。出现一个属性越少,越小的区分能力属性,和降低其重要性。
有几个原因不完整的生成和嘈杂的数据在这个系统:(1)一些属性的内容有时无法使用,只能存在于数据库作为一个空值(2)记录相关数据并不是由于检测设备数据采集设备或失败的问题(3)在数据传输过程中出现错误,如不成功的传播由于技术限制(限制通信缓冲区)(4)人类或电脑错误发生在数据输入(5)与其他记录内容删除,因为它是不一致的(6)历史记录或修改的数据将被忽略
信息系统可以简化通过信息系统的属性约简,但属性约简后的信息系统不是简单的信息系统;它包含很多冗余信息,也就是说,减少信息系统,而不是所有记录的所有属性值有影响的最终决策规则提取的信息系统。值约简的过程是过滤和删除冗余的过程条件属性在每个记录。启发式值约简算法的基本思想是删除冗余属性值信息表中。判断冗余的基础属性值信息表是否会产生重复的记录或不兼容的(冲突)属性值后暂时删除。
删除记录后的可能结果分为三种情况进行讨论:
首先,决定冲突发生后的新信息系统某一记录的条件属性被删除。在这种情况下,它表明,删除属性值的价值核心是记录并不能删除。在这种情况下,应该恢复原始属性值的属性。
第二,在一定条件属性为一条记录,删除重复的记录出现在新的信息系统,但没有决定冲突发生在信息系统。在这种情况下,它意味着删除属性值并不影响的决定记录,和属性值可以被删除。
第三,删除一个特定属性的记录后,新的信息系统既不冲突,也不产生重复的记录。在这种情况下,这意味着它不能确定是否删除属性值会影响的决定根据迄今为止获得的信息记录。
3.5。最近邻匹配的多传感器跨媒体数据
再方法结合领域知识,具有较强的解释能力,相对简单的应用。大多数CBR系统使用这个算法,取得了较好的应用效果。因此,本文还利用此方法计算多传感器跨媒体数据之间的相似性。
最近邻匹配方法是多传感器跨媒体数据的观点 - - - - - -维空间,每个维度空间代表了多传感器跨媒体数据的功能。当一个新的多传感器出现跨媒体数据,多个多传感器跨媒体数据最类似于多传感器跨媒体数据是被选择用于匹配。匹配度用来衡量两个多传感器跨媒体数据之间的相似性。两个多传感器之间的匹配度跨媒体数据可以计算使用欧氏距离函数:
和代表了th多传感器的跨媒体数据和两个多传感器跨媒体数据的匹配程度由欧几里得距离函数表示
的公式, 代表多传感器跨媒体数据的匹配程度和多传感器跨媒体数据 。 代表的重量th特征属性的这种类型的多传感器跨媒体数据。特征属性权重大大影响多传感器跨媒体数据的相似性,从而影响多传感器跨媒体数据的推理过程。
考虑多传感器跨媒体数据挖掘领域知识的复杂性和多传感器跨媒体数据挖掘的精度要求,采用基于粗糙集的自适应算法。算法首先使用功能,属性重要性的意义和在粗糙集理论的意义基本上是相同的,计算属性的重要性来确定多传感器的重量分布跨媒体数据特征;然后,介绍了环境和时间影响因素来调整一个接一个。
有许多方法减少功能项,本文采用粗糙集方法。因为上面已经详细介绍,这里只是简要描述。让 一个决策表,依赖的程度 之间的决策属性和条件属性被定义为
在决策表中,不同属性可能有不同的重要性,为代表 ,和特征项的值接近于0消除。公式如下:
摘要局部相似性标准偏差是用来测量功能项目的重要性。假定候选人多传感器跨媒体数据库多传感器跨媒体数据,每个多传感器跨媒体数据特征项的重量的功能项多传感器跨媒体数据 ,和标准偏差的公式如下:
计算每个特征项的权重不同的多传感器跨媒体数据:
为此,时间序列调整系数介绍(为简单起见,假设只有一个特征项调整,功能项是最受时间因素影响)和th重量的th多传感器跨媒体数据调整;调整功能项的重量是
为了使所有特征项的权重之和相同的多传感器跨媒体数据仍然是1,其它特征项的权重需要相应调整:
该算法充分利用多传感器的多传感器数据跨媒体跨媒体数据库本身,具有以下特点:(1)等价于从多个专家寻求帮助。(2)它的重量计算发生在每一个多传感器跨媒体数据检索,这是动态的。(3)充分考虑了历史多传感器中存在的重知识跨媒体数据库本身,和相同的特征项在不同的多传感器跨媒体数据可能有不同的权重。4)考虑时间因素的影响发生的多传感器多传感器的可采性跨媒体跨媒体数据数据。(5)这是一个自学习方法计算复杂度较低
4所示。结果和分析
4.1。实验环境和参数配置
实验环境是一个操作系统:Windows 10;CPU是英特尔i5 - 3210 @ 2.50 GHz双核;完成8 GB内存。实验的具体操作过程如下:
建设跨媒体数据矩阵,sigmod函数的自变量是2.5,和两种类型的数据选择从11个图片与狗和16的主题图片的主题马,和狗的吠叫的3音频选择主题,每个音频不超过5秒,选择5音频的马哭为主题,并且每个音频不超过5秒。多媒体数据量虽小,生成的跨媒体原始模型并不小。它的特征向量维数是4422维,所以生成的样本的数量相对较小,3214样品,所以这是一个典型的小样本问题。
在实验的过程中,所有图片都统一调整 像素大小,然后,选择特征提取方法,分别是泽尼克时刻订单11,共25个特征维度值,伽柏过滤器是用来提取每个图像。泽尼克时刻选择从图像轮廓的角度旋转不变性和噪声不敏感,和十阶泽尼克时刻可以包含更丰富的图像信息。从不同视角图像的形状所描述的领域,伽柏过滤器可以更好地为人类提供丰富的视觉信息。
音频特征的提取,我们直接使用低级音频谱features-mel cepstral系数作为每个音频段的特征序列,和每一段长度(音频数据)×24-dimensional特征矩阵,可以提取丰富的音频特性。尽管包括一些噪声数据,提取的特征似乎更合理的角度丰富人类感知的声音。
4.2。实验拉普拉斯算子Eigenmapping基于自适应最近的邻居
为了验证最近邻匹配算法的有效性,我们选择在UCI数据集database-cross-media数据,这是两种不同品种的葡萄酒的化学成分在一定地区和原始数据样本包含十二特性。我们试图发现低维流形表达式嵌入到这些数据。在实验中,降维结果的最近邻匹配算法,算法,和米歇尔算法(简化为二维平面)是由libsvm台湾林Zhiren写的。在实验中,发现最近邻匹配算法的分类精度约为90%以上。然而,勒和米歇尔算法的结果相对准确,因为他们不能选择自己的类别分相邻点的选择。最终结果对比如图3。
4.3。降维流形学习的结果生成模型实例在媒体原语
我们应用流形学习算法来生成模型实例在媒体原语,观察得到的降维结果,判断它们是否有效。图4显示了二维结果CMEGM mds降维算法的实例。结果mds减少CMEGM实例三维图所示5。
上述两个数据降维结果的两种数据实例使用mds CMEGM算法,每一个蓝色的“X”形图案代表一个类的数据。
结果sigmod平滑的音频从二维结果图可以看出一部分;它们存在于少数点的每个不同的集群,很少遇到其他集群。然而,这是不可能的;它取决于是否可以抵消了高斯噪声小概率。
最近邻匹配算法的降维结果是理想的。很明显,可以找到一个超平面分离这两种类型的数据。然而,在结果图勒和米歇尔算法,不能找到一个明显的间隔线分类数据。也从分类的角度精度,精度勒和米歇尔算法获得的并不理想,而最近邻匹配算法的准确性相对较高。
从另一个角度来看,最近邻匹配算法散射结果几乎成一束分离的结构和收缩散度。LE算法获得的数据点都同时在一些发散点,这是由于局部光滑流形。表面被映射到一个点,这是相关图片和音频我们选择的数量和它们之间的相似性。如果他们的相似性超过一定的阈值,然后他们可以映射的算法。在同一点,米歇尔算法中的数据点都是相邻点的拟合的线性变换,和相邻点的选择取决于它们之间的欧氏距离,这在一定程度上是不合理的。所以,从二维的角度看,你可以看到他们的基于行的scatter-like数据曲线图。各种算法的分类时间消耗和参数选择如图6。
4.4。模拟再选择最近邻匹配算法
图7是比较的结果吗各种算法对不同的价值再值。最近邻匹配算法的准确性,最高的影响值的精度不同算法的算法。下图是这三种算法的比较分析图表中使用跨媒体模式。的价值图中范围从1到30。
当然,这种比较可能勒和米歇尔算法不公平,因为他们正在寻找最近的邻居的任何点,根据资讯标准(使用一个特定的距离公式)找到最近的再邻居,有一定的盲目性。我们最近邻匹配算法试图避免这种固定搜索模式的盲目拿分,而不是使用自动适应不同投影指标(指标)的距离,这是结果的三个算法的嵌入低维流形。
的价值没有一个固定的理想最近邻的维可视化(2 d或3 d)由算法决定,但模型相关。根据勒算法时的情况是1的比例正好等于每种类型的数据。当是一个理想的价值,它只是意味着算法收集数据相同的类为一个类,这是合理的,可以认为每个箱表面都有当地的连续性。当然,与邻居的扩张,再形成的超球面的邻居可以交叉当前流形表面,达到表面的其他数据。
最近邻匹配算法不注意特定的流形嵌入的数据结构。这是一个非线性降维标准算法获得的角度类可分性。的几何形状的结果在图中所示。它必须体现在其他情况下跨媒体原始生成模型,根据数据的一些独特的属性。例如,下图是一个跨媒体的实例的原始生成模型不同于本文中讨论,及其分类是准确的。最近邻匹配算法的降维结果CMEGM实例如图8。
5。结论
本文应用数据挖掘的优点和粗糙集在处理不完全信息和获取知识,可以更有效地利用大量的运营数据,揭示数据背后的原则积累多传感器跨媒体数据挖掘系统。多传感器是用来观察属性影响的状态,以及观测合成全球传感器的观测。与传统的单一传感器观测相比,全球传感器的使用可以显著降低传感器观测值的范围和提高观测值的准确性;在匹配示例数据库中的数据时,它可以提高匹配值,使检测结果更加准确。此外,随机集理论用于描述多源异构信息一致,所以传感器检测数据和专家意见模糊信息融合下的传感器数据随机设定框架。相比之下,单纯依赖状态检测的传感器数据,状态监测和多传感器多源信息跨媒体数据挖掘减少监测和诊断结果的不确定性,特别是当传感器提供的基本数据值的概率分布比较平均。同时,采用多源信息可以获得更准确的监测和诊断结果。本文利用分类器的概念设计在机器学习和模式识别领域,构建一套跨媒体检索系统一步一步从特征选择、特征提取、特征生成和分类器的设计。多通道数据之间的跨媒体检索部分实现,和之间的相互检索图像,音频和视频是在测试环境中完成。实验结果证实,这种检索过程是有效的。 It makes full use of the scatter matrix within and between classes to express the distance measure of different types of data. The experimental results show that this algorithm can deal with multiclass mixed data dimensionality reduction manifolds when certain k-nearest neighbor values are selected. The results are better than traditional LE or locally linear embedding algorithms.
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
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。
确认
本研究支持的学校级别科研项目(2015 ykf15)和安徽大学继续教育教学改革项目(2019 jxjj41和2021 jxjy070)。