运动数据中的最优关联数据的分类分析

尤伟

摘 要： 针对传统关联数据分类方法一直存在分类精度差的问题，提出一种运动数据中的最优关联数据的分类方法。由于运动数据的变化量十分的庞大，同时变化程度也无法用规律进行推导，因此需要确定运动数据中的最优关联数据，通过最优关联数据的关联性进行高速提取，使用异导函数对提取的数据进行系统的分类。为了保证提出的运动数据中的最优关联数据的分类方法的有效性，设计对比仿真实验，通过实验数据表明，提出的运动数据中的最优关联数据的分类方法能够准确地对运动数据中的最优关联数据进行系统分类。

关键词： 运动数据； 最优关联数据； 数据分类； 隶属关系； 预判标识码； 分类精度

中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 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

使用定位记录数据的方法由单一的GPS技术发展衍生至今，已经可以通过高频震荡、虚拟演示技术、移动模拟感知等外链技术进行运动数据的生成。这样不但能够进行细致的数据定位，还可以进行运动细节的描素[1?2]。随着手机APP的应用增加，对于移动过程中的数据表示过程使用的是最优关联数据，但是在不同技术支撑下的运动数据所生成的关联数据是有所不同的，特别是在最优关联数据的选取过程中，选择出能够代表运动变化的关联数据是十分必要的[3?4]。同时由于运动过程中存在很大的突变性，因此还需要进行一定最优关联数据的分类，分类的目的是针对不同的关联数据进行系统的属性应用，这样可以达到最佳呈现的目的[5]。但是传统关联数据的分类方法中无法对移动数据进行快速的识别[6?7]。针对上述问题，本文提出一种运动数据中的最优关联数据的分类方法。本文设计的运动数据中的最优关联数据的分类方法使用最优关联数据的关联属性进行高速选取，通过异导函数对提取的最优关联数据进行系统的分类。为了有效地验证本文设计的运动数据中的最优关联数据的分类方法的有效性，模拟了应用环境进行仿真实验，通过实验数据可知，本文设计的运动数据中的最优关联数据的分类方法能够准确地在运动数据中进行最优数据的选定分类。

1 运动数据中的最优关联数据选取

为了能够进行有效的关联数据的快速分类，本文通过关联属性，对不同关联数据进行快速的选定[8?9]。由于不同的关联数据具有的关联性不同，需要对关联属性中的最小关联度进行计算，最小关联度是保证运动数据有效性的关键所在，过程如下：

式中：表示运动数据最低关联度；表示标准关联数据质子；表示动态数据的突变权值；表示运动数据中的关联变量。关联数据与运动维度之间的关系如图1所示。

通过式（1）可以计算出最小关联度，确定最小关联度的关联数据便具有运动数据的代表性。通过择优关系可以进行最优关联数据的选定，表示为：

式中：表示关联数据的择优关系指数；表示运动维度的表达关联度；表示同源关联数据的非同性属性的标准焓；表示基函数系数；表示关联极值差；表示数据陈列关系。选定最优关联数据后，需要对选定的数据进行提取，表示為：

式中：为最优关联数据进行提取过程中的提取稳定值；为融合参照系数。通过式（2）、式（3）完成对最优关联数据的选定，同时为移动数据的有效分类进行了铺垫。endprint

本文设计的运动数据中的最优关联数据的分类方法，使用的是异导函数进行系统的分类。在分类过程中经过最优关联数据的有效选取，每一条最优关联数据的属性都兼备着提取稳定性。根据上述的属性便可以进行异导函数的应用。使用异导函数需要对选取的最优关联函数进行预处理，这样方便进行数据分级，表示如下：

式中：表示最优关联数据的预判标识码，通过标识码可以进行大致的属性划分，这样能够保证在进行精确划分过程中的准确度以及分类速度；表示数据能级参量，数据能级参量能够把数据进行4个等级的划分，每次会根据不同的关联度以及指标进行关联划分，如图2所示；表示信息自身混乱度，自身混乱度会在一定程度上影响分类过程；表示异动参数，异动参数是衡量关联数据的标量性的基本参量。

经过预处理后的最优关联数据便可以进行异导函数的分类，过程如下：

式中：，分别表示所属数据能级、所属关联属性级；表示标准异导权值。通过标准化的异导函数值能够保证精细分类的精准化，经使用异导函数进行分类还需要进行条件的限定，公式如下：

式中：表示能够异导限定条件；表示达到最优关联数据的标准；表示异导极值的绝对值，异导极值具有双向性，在表达形式上需要引进绝对值；表示过程变量；表示应接参数。通过式（6）完成对运动数据中最有关联数据的分类。

2 仿真实验分析

2.1 参数设定

为了保证设计的运动数据中的最优关联数据的分类方法的有效性，对参数进行设定，运动数据中的关联变量在[89.2，90.65]值域范围之内，设置数据进行有效提取过程的提取差计量为18.56。本文设计的模拟实验过程如图3所示。

2.2 结果分析

在实验过程中，记录传统关联数据分类方法与本文设计的关联数据分类方法的实验结果。传统关联数据分类方法的最优关联数据提取类别如图4所示。

本文设计的关联数据分类方法的最优关联数据提取类别如图5所示。

通过图4、图5可以看出，本文设计的运动数据中的最优关联数据的分类方法能够对最优关联数据进行多种类的细化提取，保证了分类过程的准确性。

如图6所示，本文设计的运动数据中的最优关联数据的分类方法能够更加准确细致地对运动数据进行系统的分类。

3 结 语

本文提出一种运动数据中的最优关联数据的分类方法。由于运动数据的变化量十分的庞大，带有明显的突变因素，同时变化程度也无法用规律进行有效的推导，因此在进行关联数据的分类之前需要进行最有关联数据的选定，本文设计的运动数据中的最优关联数据的分类方法使用最优关联数据的关联属性进行高速选取，通过异导函数对提取的最优关联数据进行系统的分类。希望通过本文的研究能够为运动数据的有效使用提供理论依据。

参考文献

[1] 王秋，蒋华莹，石娅娅，等.小儿脑性瘫痪类型与粗大运动功能分级的关联性调查分析[J].现代预防医学，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] 白鱼秀，郑欢欢.基于CRISP?DM模型的移动GPRS业务关联规则应用研究[J].物联网技术，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.endprint