基于差分分组模型的体育信息数据库自动更新方法

郭成成

(安徽财贸职业学院，安徽 合肥 230000)

随着体育信息管理技术的发展，采用云数据库模型进行体育信息数据库构造，在分布式的网络结构体系下，结合大数据统计特征分析方法，进行体育信息数据库自适应自动更新和特征分析，研究体育信息数据库的自动更新方法[1]，在体育信息数据库的优化构造和设计中具有重要意义.相关的体育信息数据库自动更新方法研究受到人们的极大关注.采用模糊信息聚类方法进行体育信息数据库的自适应控制和寻优[2]，受到大数据分布的不确定因素的影响，导致体育信息数据库自适应自动更新的自适应性不好，对此，本文提出基于差分分组模型的体育信息数据库自适应自动更新算法，采用模糊相关性融合调度方法进行体育信息数据库自适应自动更新过程中的自适应调度和寻优控制，在聚类中心中实现对体育信息数据库存储运动特征数据的自适应融合和自适应自动更新.并通过仿真实验进行性能测试，展示了改进方法在提高体育信息数据库自适应自动更新能力方面的优越性能.

1 体育运动特征数据挖掘和数据存储结构

1.1 体育运动特征数据挖掘

为了实现基于差分分组模型的体育信息数据库自适应自动更新，建立体育信息数据库存储运动特征数据的人体运动行为关联特征分布模型，采用大数据信息融合方法进行体育信息数据库存储运动特征数据的优化挖掘[3]，在特定窗函数中，得到体育信息数据库存储运动特征数据的迁移学习特征分布集合Fm(x,y)为：

(1)

(2)

构建体育信息数据库的二元语义特征分析模型[4]，得到体育信息数据库关联规则特征量为：

(3)

Ti,j(t)表示体育信息数据库的运动行为特征集，表达为：

(4)

采用多元回归分析方法，进行在线体育信息数据库的动态挖掘[5]，得到运动行为空间肢体频繁动态度量分布为：

Ui,j(t)=exp[-b[zi(t)-zj(t)]2]

(5)

其中：pi,j(t)为异构输入的体育信息数据的互相关特征量；spi,j(t)为有标记样本的体育信息数据库数量；Δp(t)为增益系数；zi(t)，zj(t)表示为体育信息数据库的模糊度函数.采用模糊信息融合方法，进行体育信息数据库的自动更新[6].

1.2 体育数据存储结构分析

采用大数据信息融合方法进行体育信息数据库的运动行为空间肢体特征提取，提取体育信息数据库分布式关联特征[7]，得到体育信息数据库存储运动特征数据挖掘的统计分布概率密度特征为：

(6)

其中，在tn+1时刻和tn时刻相差一个更新周期.在不同体育信息数据库信息采样的行为集中，体育信息数据库存储运动特征数据的二元语义特征分布为：

(7)

(8)

采用子空间训练方法，建立体育信息数据库的行为动态度量模型，在训练集si={xj:d(xj,yi)≤d(xj,yl)}的引导下，得到体育信息数据库存储运动特征数据挖掘的帧序列分布：

MinWH=min{w(cc),h(cc)}

(9)

(10)

在领域特征的分布集中建立体育信息数据挖掘的核函数模型，调整加权向量得到Nj*几何邻域NEj*(t)，得到体育信息数据库加权自适应特征分布集为：

U={μik|i=1,2,…,c,k=1,2,…,n}

(11)

在关联规则引导下，利用全局统计信息进行体育信息数据库的运动行为空间肢体特征提取，得到优化目标函数为：

(12)

在局部窗口的统计信息分布区域，优化的体育信息数据自动更新聚类中心为：

(13)

(14)

其中，m为体育信息数据库的运动行为空间肢体特征提取的嵌入维数，(dik)2为样本xk与特征分布集Vi的测度距离，综上分析，进行体育信息数据库的运动行为空间肢体特征提取，根据动态度量结果进行特征提取和数据挖掘.

2 体育信息数据库自动更新优化

2.1 体育信息数据的分布式网格区块聚类

在上述建立体育信息数据库的人体运动行为关联特征分布模型的基础上，采用大数据信息融合方法进行体育信息数据库的运动行为空间肢体特征提取，进行体育信息数据库自适应自动更新，提出基于差分分组模型的体育信息数据库自适应自动更新算法.采用大数据信息融合方法进行体育信息数据库的可信度动态特征分析[8]，体育信息数据库的关联主特征分布为：

(15)

在重构的向量空间结构模型中，得到差分分组特征量在si处的能量谱密度，采用主成分分析方法，构建体育信息数据库存储运动特征数据的特征提取模型[9]，得到体育信息数据库挖掘的局部窗口分布为：

(dik)2=‖xk-Vi‖2

(16)

且满足：

(17)

采用差分分组聚类方法，得到体育信息数据库挖掘的关联规则向量集为：

(18)

其中Newi`=(ei`1，ei`2，…，ei`D)，采用统计分析和联合判决方法，得到差分分组模型下的体育信息数据自动更新的判决函数：

R1(k)=R2(k)exp(-jω0Tp/2),k=0,1,…,(N-3)/2

(19)

R2(k)=Akexp(jφk),k=0,1,…,(N-3)/2

(20)

其中，ω0为体育信息数据库分布式预测误差，Tp为时间窗口，Ak为体育信息数据库挖掘的有效幅值，φk为体育信息数据库自适应自动更新的扩展相位.根据上述分析，进行体育信息数据库的特征提取和优化挖掘，提高体育信息数据库的挖掘能力.

2.2 体育数据库的差分分组模型

结合分布式网格区块聚类分析方法进行体育信息数据库自适应自动更新的动态特征量聚类分析[10]，体育信息数据库存储运动特征检测统计量：

(21)

对上式求最优解，提取体育信息数据库存储运动特征数据挖掘模型，得到体育信息数据库挖掘的主成分特征分布集为：

(22)

采用线性规划方法，进行体育信息数据库存储的运动特征数据融合和自适应寻优，自适应挖掘的核函数k(xi,xj)，体育信息数据库存储运动特征数据挖掘的自适应线性规划模型为：

(23)

结合分布式网格区块聚类分析方法进行体育信息数据库自适应自动更新的动态特征量聚类分析，得到体育信息数据库的模糊聚类的可靠性分布函数为：

(24)

其中，β为体育信息数据库自适应加权系数，w(epkq)表示体育信息数据库存储运动特征数据检测的可靠性系数，计算体育信息数据库存储运动特征数据大数据的多维分布集，为：

Yk=[yk1,yk2,…,ykj,…,ykJ](k=1,2,…,N)

(25)

其中，ykj表示体育信息数据的稳态特征量，N为数据长度，综上分析，实现体育信息数据库的自动更新.

3 仿真测试分析

为了验证本文方法在实现体育信息数据库的自动更新中的应用性能，采用Matlab进行仿真测试分析，对体育信息数据库信息采样的空间分布概念格为500×500，数据采样的初始长度为1024，体育信息数据的初始采样频率为0.48 KHz，数据的特征分布集描述见表1.

根据上述样本采样和参数设定，进行体育信息数据库自适应自动更新，得到原始数据分布如图1所示.

以图1的数据为输入，提取体育信息数据库分布式关联特征量，建立体育信息数据库存储运动特征数据的人体运动行为关联特征分布模型，进行体育信息数据库自适应自动更新，得到挖掘输出如图2所示.

表1 测试数据分布

图1 体育信息数据库的原始数据

图2 体育信息数据库自适应自动更新输出

对比图2和图1得知，采用本文方法能有效实现体育信息数据库自适应自动更新，测试更新输出的收敛性，得到对比结果如图3所示.

图3 收敛性对比

分析图3得知，采用该方法进行体育信息数据库自适应自动更新的准确性较高，收敛性较好，自适应学习能力较强.

4 结 语

本文提出基于差分分组模型的体育信息数据库自适应自动更新算法.建立体育信息数据库存储运动特征数据的人体运动行为关联特征分布模型，采用大数据信息融合方法进行体育信息数据库的运动行为空间肢体特征提取，提取体育信息数据库分布式关联特征量，采用模糊相关性融合调度方法进行体育信息数据库自适应自动更新过程中的自适应调度和寻优控制，结合分布式网格区块聚类分析方法进行体育信息数据库自适应自动更新的动态特征量聚类分析，在聚类中心中实现对体育信息数据库存储运动特征数据的自适应融合和自适应自动更新.研究得知，本文方法进行体育信息数据库自适应自动更新的精度较高，收敛性较好.