廖志錦

摘 要： 針對傳統(tǒng)的分類方法在對運動數(shù)據(jù)的最優(yōu)關(guān)聯(lián)數(shù)據(jù)進行分類時，存在分類誤差大、效率低的問題，提出基于決策樹尋優(yōu)的運動數(shù)據(jù)中的最優(yōu)關(guān)聯(lián)數(shù)據(jù)的分類算法。采用有向圖模型構(gòu)建運動數(shù)據(jù)的最優(yōu)關(guān)聯(lián)數(shù)據(jù)分布式結(jié)構(gòu)模型，對采集的運動數(shù)據(jù)進行非線性時間序列特征重構(gòu)，在重構(gòu)的運動數(shù)據(jù)高維特征空間中進行運動數(shù)據(jù)的關(guān)聯(lián)性映射，提取反映運動數(shù)據(jù)類別的屬性特征，通過決策樹尋優(yōu)方法實現(xiàn)運動數(shù)據(jù)的自適應(yīng)分類。仿真結(jié)果表明，采用該方法進行運動數(shù)據(jù)中的最優(yōu)關(guān)聯(lián)數(shù)據(jù)分類，其準確性較好、誤分率較低，從而有效挖掘運動數(shù)據(jù)的關(guān)聯(lián)信息，實現(xiàn)運動特征監(jiān)測。

關(guān)鍵詞： 運動數(shù)據(jù)； 關(guān)聯(lián)數(shù)據(jù)； 分類算法； 數(shù)據(jù)挖掘； 特征提取

中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 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

隨著大數(shù)據(jù)信息處理技術(shù)的發(fā)展，采用大數(shù)據(jù)信息處理方法進行體育運動數(shù)據(jù)的信息處理和加工，分析運動數(shù)據(jù)中的關(guān)聯(lián)性屬性特征，提取運動數(shù)據(jù)中能反映人體運動信息的關(guān)鍵特征參量，實現(xiàn)人體運動的狀態(tài)特征監(jiān)測和模式識別，指導(dǎo)體育運動實踐。對運動數(shù)據(jù)的最優(yōu)關(guān)聯(lián)分類是實現(xiàn)運動數(shù)據(jù)的關(guān)鍵特征挖掘和信息提取的關(guān)鍵，實現(xiàn)運動數(shù)據(jù)的在線實時監(jiān)測和管理，從而掌握運動員的運動水平。數(shù)據(jù)分類又是數(shù)據(jù)聚類，其原理是挖掘反應(yīng)數(shù)據(jù)屬性類別的信息特征量，根據(jù)提取的特征量為信息導(dǎo)引值，實現(xiàn)大數(shù)據(jù)分類識別。傳統(tǒng)方法對運動數(shù)據(jù)的關(guān)聯(lián)數(shù)據(jù)分類方法主要采用模糊C均值聚類、K均值聚類、近鄰點網(wǎng)格分類等[1?2]，上述方法在對大規(guī)模運動數(shù)據(jù)分類中存在計算開銷過大，分類的準確性不好等問題。對此，本文提出基于決策樹尋優(yōu)的運動數(shù)據(jù)中的最優(yōu)關(guān)聯(lián)數(shù)據(jù)的分類算法，并進行了數(shù)據(jù)分類的仿真實驗，得出有效性結(jié)論。

1 運動數(shù)據(jù)的分布式結(jié)構(gòu)分析與特征重組

1.1 運動數(shù)據(jù)非線性時間序列特征

為了實現(xiàn)運動數(shù)據(jù)中的最優(yōu)關(guān)聯(lián)數(shù)據(jù)的分類，采用網(wǎng)格式分布結(jié)構(gòu)模型進行運動數(shù)據(jù)的網(wǎng)格分割，建立運動數(shù)據(jù)的最優(yōu)關(guān)聯(lián)的圖結(jié)構(gòu)模型?；跊Q策樹尋優(yōu)方法進行運動數(shù)據(jù)的關(guān)聯(lián)屬性特征提取和自適應(yīng)分類，決策樹模型采用C4.5的Domain knowledge決策樹模型[3]，決策樹的根節(jié)點為運動數(shù)據(jù)分類的初始網(wǎng)格分割節(jié)點，通過對兩組相似的運動數(shù)據(jù)的屬性判斷和相關(guān)性特征重組，采用檢索節(jié)點圖模型分組方法進行運動數(shù)據(jù)分類。根據(jù)上述設(shè)計原理，得到運動數(shù)據(jù)的分類的決策樹模型如圖1所示。

在大數(shù)據(jù)背景下進行運動數(shù)據(jù)最優(yōu)關(guān)聯(lián)分類設(shè)計，人體運動數(shù)據(jù)圖模型結(jié)構(gòu)用二元有向圖表示，運動數(shù)據(jù)隨邊分布特征記為：

假設(shè)運動數(shù)據(jù)在決策樹中的分類節(jié)點的邊集為A，網(wǎng)格分割的時間窗口函數(shù)為，通過對運動數(shù)據(jù)進行多重小波分解[4]，采用時頻分析方法，得運動數(shù)據(jù)關(guān)聯(lián)維分割代價函數(shù)表述為：

式中，是運動數(shù)據(jù)最優(yōu)關(guān)聯(lián)子集的自回歸特征向量。在有向圖決策樹模型中進行人體運動數(shù)據(jù)的最近鄰點采樣，根據(jù)上述設(shè)計，對采集運動數(shù)據(jù)進行非線性時間序列特征重構(gòu)。

1.2 運動數(shù)據(jù)關(guān)聯(lián)性映射

在重構(gòu)的運動數(shù)據(jù)高維特征空間中進行運動數(shù)據(jù)關(guān)聯(lián)性映射，提取反映運動數(shù)據(jù)類別屬性特征，運動數(shù)據(jù)高維特征空間狀態(tài)函數(shù)記為：endprint

數(shù)據(jù)分類自適應(yīng)權(quán)重，二元耦合向量為Y，運動數(shù)據(jù)行為匹配評價指標集，在高維特征空間中，存在一個數(shù)據(jù)對象y，在有限論域內(nèi)[5]，運動數(shù)據(jù)分類向量決策樹分叉距離為，用二元回歸分析法構(gòu)建運動數(shù)據(jù)分類關(guān)聯(lián)性映射為：

在關(guān)聯(lián)規(guī)則映射體系中，構(gòu)建運動數(shù)據(jù)屬性識別的本體模型，通過本體結(jié)構(gòu)的模板匹配，進行運動數(shù)據(jù)的關(guān)聯(lián)數(shù)據(jù)分類識別。

2 運動數(shù)據(jù)分類算法實現(xiàn)

在進行運動數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)分析和分布式結(jié)構(gòu)模型的基礎(chǔ)上，進行運動數(shù)據(jù)的最優(yōu)關(guān)聯(lián)數(shù)據(jù)分類設(shè)計。本文提出一種基于決策樹尋優(yōu)的運動數(shù)據(jù)中的最優(yōu)關(guān)聯(lián)數(shù)據(jù)的分類算法。首先提取反映運動數(shù)據(jù)類別的屬性特征，根據(jù)運動數(shù)據(jù)的暫態(tài)性擾動關(guān)聯(lián)性分布特性，構(gòu)建反映運動數(shù)據(jù)主特征量的決策樹分叉圖[6]，得到運動數(shù)據(jù)分類的屬性特征提取結(jié)果為：

以上述屬性特征提取結(jié)果為輸入，假設(shè)分類的維數(shù)為，那么，運動數(shù)據(jù)在決策樹中分類的葉節(jié)點元素為，校驗元素中含有個根節(jié)點，通過自組織神經(jīng)網(wǎng)絡(luò)映射[7]，得到關(guān)聯(lián)數(shù)據(jù)分類的加權(quán)權(quán)重滿足。設(shè)運動數(shù)據(jù)的信息歸類誤差為，則在不同的網(wǎng)格區(qū)域內(nèi)構(gòu)建運動數(shù)據(jù)分類的協(xié)方差矩陣為：

式中，為點的相似度矩陣，通過求取運動數(shù)據(jù)最優(yōu)關(guān)聯(lián)數(shù)據(jù)主特征量，計算運動數(shù)據(jù)分類的聚類中心：

計算相鄰聚類屬性特征點的聯(lián)合概率密度特征，令為運動數(shù)據(jù)分類的四元組，即，大數(shù)據(jù)分類屬性。根據(jù)自相關(guān)函數(shù)匹配技術(shù)，提取反映運動數(shù)據(jù)類別的屬性特征量，記為：

式中，為聚類中心小擾幅值。如果，則第k類分類的擾動振蕩系數(shù)趨于零，如果，則數(shù)據(jù)分類聚類中心存在擾動[8]。采用關(guān)聯(lián)函數(shù)匹配方法進行擾動抑制[9]，假設(shè)大數(shù)據(jù)特征空間給定點集為，得到數(shù)據(jù)分類輸出信息時間序列為：

式中，在維關(guān)聯(lián)維特征映射空間中，采集一維數(shù)據(jù)矢量，用本文決策樹分類方法，將關(guān)聯(lián)數(shù)據(jù)劃分成n個簇，根據(jù)運動數(shù)據(jù)的關(guān)聯(lián)性映射結(jié)果，對運動數(shù)據(jù)分類。

3 仿真實驗

對運動數(shù)據(jù)中的最優(yōu)關(guān)聯(lián)數(shù)據(jù)的分類的仿真實驗建立在Microsoft Visual C++ 7.0，Vega Prime 2.2.1仿真環(huán)境中，采用Matlab編程工具進行數(shù)據(jù)分類算法設(shè)計。運動數(shù)據(jù)采集來自于某高校對大一本科生統(tǒng)計的田徑體育運動數(shù)據(jù)，統(tǒng)計時間為2017年1月—4月，運動數(shù)據(jù)特征采樣的相對時間延遲為0.12 s，最優(yōu)關(guān)聯(lián)數(shù)據(jù)調(diào)度路徑的條數(shù)為10，幅度參數(shù)為（0，1.0，3.0，4.0，5.0），運動數(shù)據(jù)的相似度關(guān)聯(lián)系數(shù)為m=12，數(shù)據(jù)特征重構(gòu)的最大迭代步數(shù)歸一化初始采樣頻率Hz，決策樹的Sink節(jié)點為55隨機矩陣。根據(jù)上述仿真環(huán)境和參量設(shè)定，進行運動數(shù)據(jù)中的關(guān)聯(lián)數(shù)據(jù)分類仿真，得到運動數(shù)據(jù)采樣的樣本測試集如圖2所示。

以圖2采集的運動數(shù)據(jù)為對象，進行運動數(shù)據(jù)的最優(yōu)關(guān)聯(lián)數(shù)據(jù)分類，采用不同方法進行對比，測試數(shù)據(jù)分類的誤分率（見圖3），得出本文方法進行運動數(shù)據(jù)的關(guān)聯(lián)數(shù)據(jù)分類誤分率較低，收斂性較好，性能更優(yōu)。

4 結(jié) 語

本文研究了運動數(shù)據(jù)的優(yōu)化分類問題，提出基于決策樹尋優(yōu)的運動數(shù)據(jù)中的最優(yōu)關(guān)聯(lián)數(shù)據(jù)的分類算法，并進行實驗分析，研究可知，本文方法能有效實現(xiàn)運動數(shù)據(jù)的最優(yōu)關(guān)聯(lián)數(shù)據(jù)分類。

參考文獻

[1] 劉健，常蓮.基于Bohzmann機的物聯(lián)網(wǎng)數(shù)據(jù)分類方法研究[J].激光雜志，2016，37（10）：116?120.

[2] 尚朝軒，王品，韓壯志，等.基于類決策樹分類的特征層融合識別算法[J].控制與決策，2016，31（6）：1009?1014.

[3] IHSAN A K， MEHDI G D. Improved accuracy for decision tree algorithm based on unsupervised discretization [J]. International journal of computer science and mobile computing， 2014， 3（6）： 176?183.

[4] 王衛(wèi)紅，嚴魯琴，金丹丹，等.基于GEPSO模型的面向?qū)ο筮b感圖像分類[J].計算機科學(xué)，2015，42（5）：51?53.

[5] 匡桂娟，曾國蓀，熊煥亮.關(guān)注用戶服務(wù)評價反饋的云資源再分配方法[J].計算機應(yīng)用，2015，35（7）：1837?1842.

[6] 張紅蕊，張永，于靜雯.云計算環(huán)境下基于樸素貝葉斯的數(shù)據(jù)分類[J].計算機應(yīng)用與軟件，2015，32（3）：27?30.

[7] 熊忠陽，劉芹，張玉芳.結(jié)合項目分類和云模型的協(xié)同過濾推薦算法[J].計算機應(yīng)用研究，2012，29（10）：3660?3664.

[8] 楊棽，齊越，沈旭昆，等.一種快速的三維掃描數(shù)據(jù)自動配準方法[J].軟件學(xué)報，2010，21（6）：1438?1450.

[9] 李保利.基于類別層次結(jié)構(gòu)的多層文本分類樣本擴展策略[J].北京大學(xué)學(xué)報（自然科學(xué)版），2015，51（2）：357?366.endprint