原创《运动数据中的最优关联数据的分类分析》：这是一篇与最优关联数据论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
摘 要： 针对传统的分类方法在对运动数据的最优关联数据进行分类时,存在分类误差大、效率低的问题,提出基于决策树寻优的运动数据中的最优关联数据的分类算法.采用有向图模型构建运动数据的最优关联数据分布式结构模型,对采集的运动数据进行非线性时间序列特征重构,在重构的运动数据高维特征空间中进行运动数据的关联性映射,提取反映运动数据类别的属性特征,通过决策树寻优方法实现运动数据的自适应分类.仿真结果表明,采用该方法进行运动数据中的最优关联数据分类,其准确性较好、误分率较低,从而有效挖掘运动数据的关联信息,实现运动特征监测.
关键词： 运动数据； 关联数据； 分类算法； 数据挖掘； 特征提取
中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）24?0053?03
Abstract： In allusion to the problem that big error and low efficiency exist in the traditional classification method of optimal association data classification for motion data, the optimal association data classification algorithm based on decision tree optimization is proposed for motion data. The directed graph model is adopted to construct the optimal association data distributed structure model for motion data. The nonlinear time series feature is reconstructed for the collected motion data. Association mapping of motion data is performed in the reconstructed high?dimensional feature space of motion data to extract the attribute features reflecting motion data categories. The decision tree optimization method is adopted to realize adaptive motion data classification. The simulation results show that the method has good accuracy and low error in optimal association data classification for motion data, and can perform effective association information mining for motion data to realize motion feature monitoring.
Keywords： motion data； association data； classification algorithm； data mining； feature extraction
随着大数据信息处理技术的发展,采用大数据信息处理方法进行体育运动数据的信息处理和加工,分析运动数据中的关联性属性特征,提取运动数据中能反映人体运动信息的关键特征参量,实现人体运动的状态特征监测和模式识别,指导体育运动实践.对运动数据的最优关联分类是实现运动数据的关键特征挖掘和信息提取的关键,实现运动数据的在线实时监测和管理,从而掌握运动员的运动水平.数据分类又是数据聚类,其原理是挖掘反应数据属性类别的信息特征量,根据提取的特征量为信息导引值,实现大数据分类识别.传统方法对运动数据的关联数据分类方法主要采用模糊C均值聚类、K均值聚类、近邻点网格分类等[1?2],上述方法在对大规模运动数据分类中存在计算开销过大,分类的准确性不好等问题.对此,本文提出基于决策树寻优的运动数据中的最优关联数据的分类算法,并进行了数据分类的仿真实验,得出有效性结论.
1 运动数据的分布式结构分析与特征重组
1.1 运动数据非线性时间序列特征
為了实现运动数据中的最优关联数据的分类,采用网格式分布结构模型进行运动数据的网格分割,建立运动数据的最优关联的图结构模型.基于决策树寻优方法进行运动数据的关联属性特征提取和自适应分类,决策树模型采用.5的Domain knowledge决策树模型[3],决策树的根节点为运动数据分类的初始网格分割节点,通过对两组相似的运动数据的属性判断和相关性特征重组,采用检索节点图模型分组方法进行运动数据分类.根据上述设计原理,得到运动数据的分类的决策树模型如图1所示.
在大数据背景下进行运动数据最优关联分类设计,人体运动数据图模型结构用二元有向图表示,运动数据随边分布特征记为：
假设运动数据在决策树中的分类节点的边集为A,网格分割的时间窗口函数为,通过对运动数据进行多重小波分解[4],采用时频分析方法,得运动数据关联维分割代价函数表述为：
式中,是运动数据最优关联子集的自回归特征向量.在有向图决策树模型中进行人体运动数据的最近邻点采样,根据上述设计,对采集运动数据进行非线性时间序列特征重构.
1.2 运动数据关联性映射
在重构的运动数据高维特征空间中进行运动数据关联性映射,提取反映运动数据类别属性特征,运动数据高维特征空间状态函数记为：
最优关联数据论文参考资料：
结论：运动数据中的最优关联数据的分类分析为大学硕士与本科最优关联数据毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写最优关联数据方面论文范文。
