林瀟鴻，陸興華，馬棉濤，林佳茵

(廣東工業(yè)大學(xué)華立學(xué)院，廣東 廣州 511325)

0 引 言

隨著現(xiàn)代信息和大數(shù)據(jù)處理技術(shù)的發(fā)展，對(duì)多媒體大數(shù)據(jù)的檢測和識(shí)別的精度不斷提高，在進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘過程中，受到多媒體音視頻數(shù)據(jù)的類間干擾性的影響，導(dǎo)致對(duì)多媒體音視頻數(shù)據(jù)的識(shí)別精度不高，需要構(gòu)建物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的自動(dòng)測試和多媒體音視頻數(shù)據(jù)檢測模型。采用多媒體音視頻數(shù)據(jù)的優(yōu)化識(shí)別技術(shù)，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘，采用優(yōu)化的多媒體音視頻數(shù)據(jù)檢測和特征識(shí)別技術(shù)，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的檢測優(yōu)化[1]，提取物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的統(tǒng)計(jì)特征量和相關(guān)功率譜特征量，通過特征聚類分析的方法，提高物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的識(shí)別性能[2]。

在物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘是建立多媒體音視頻數(shù)據(jù)檢測和特征提取的基礎(chǔ)上，采用連續(xù)密度模糊特征分解方法，進(jìn)行多媒體音視頻數(shù)據(jù)檢測和識(shí)別，由于多媒體音視頻數(shù)據(jù)受到多媒體音視頻數(shù)據(jù)傳輸?shù)耐蛔兊纫蛩氐挠绊?，?dǎo)致對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘的準(zhǔn)確度不高。傳統(tǒng)方法中，對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘方法主要有時(shí)頻特征分解方法、譜特征提取方法、自相關(guān)功率譜特征提取方法等[3-4]，對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行自適應(yīng)盲分離處理，對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行尺度和時(shí)延估計(jì)，實(shí)現(xiàn)多媒體音視頻數(shù)據(jù)的優(yōu)化檢測，但傳統(tǒng)方法進(jìn)行多媒體音視頻數(shù)據(jù)識(shí)別存在模糊度較大和計(jì)算復(fù)雜度高的問題。對(duì)此，該文提出基于分段聚類的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘方法。首先對(duì)采集的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行分段檢測和連續(xù)譜密度特征分解，然后采用子空間匹配降噪方法進(jìn)行多媒體音視頻數(shù)據(jù)的濾波提純處理，根據(jù)特征聚類結(jié)果，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘。最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了該方法在提高物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘能力方面的優(yōu)越性能。

1 物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)模型及濾波處理

1.1 物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)模型

為了實(shí)現(xiàn)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘，需要首先構(gòu)建續(xù)密度物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)模型，對(duì)采集的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行分段檢測和連續(xù)譜密度特征分解。采用等波紋周期性檢測的方法，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的檢測和識(shí)別，將物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的長度作為分段交疊的長度[5]，采用等波紋周期性增強(qiáng)的方法，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘，采用模糊特征聚類分析的方法，判斷連續(xù)多媒體音視頻數(shù)據(jù)的類別，對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行分段疊加。在最佳采樣點(diǎn)nb處，得到多媒體音視頻數(shù)據(jù)的長度fl，以fl作為時(shí)間窗口，采用重疊子載波的方法，得到物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)長度l：

(1)

(2)

設(shè)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)為一組平穩(wěn)的隨機(jī)多媒體音視頻數(shù)據(jù)，表示為x(t)，結(jié)合時(shí)域和頻域特征分解的方法，對(duì)x(t)進(jìn)行本征模態(tài)分量估計(jì)，獲取離散的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)x(n)，采用高頻本征模態(tài)分量濾波方法進(jìn)行時(shí)頻加窗處理，得到輸出窗口函數(shù)為h(t)，物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的頻譜寬度為T=(2d+1)Ts，F(xiàn)s=1/Ts。在混疊效應(yīng)下，得到物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的頻譜分解運(yùn)算：

X=(V(a1,…,am)(α1,…,αm))-1V(b1,…,bm)(β1,…,βm)

(3)

其中，a1,…,am為音頻數(shù)據(jù)時(shí)間序列，b1,…,bm為視頻數(shù)據(jù)時(shí)間序列，α1,α2,…,αm為時(shí)頻參數(shù)序列，β1,β2,…,βm為關(guān)聯(lián)維序列。在經(jīng)對(duì)音視頻數(shù)據(jù)多次疊加平均后，把Xp(u)進(jìn)行濾波和閾值截?cái)啵梢员硎緸椋?/p>

(4)

通過上述分析，構(gòu)建了物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)模型，對(duì)采集的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行分段檢測和連續(xù)譜密度特征分解[5]，如圖1所示。

圖1 物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)檢測模型

1.2 多媒體音視頻數(shù)據(jù)濾波

采用子空間匹配降噪方法進(jìn)行多媒體音視頻數(shù)據(jù)的濾波提純處理，建立物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的多載波分析模型，對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行尺度和時(shí)延等參量估計(jì)，得到物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)參數(shù)估計(jì)值：

G(U|μk,∑k)=(2π)-d/2|∑k|-1/2×

(5)

根據(jù)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)隨時(shí)間衰減的特性，提取高頻分量中的有效多媒體音視頻數(shù)據(jù)，對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行自適應(yīng)盲分離處理[7]。假設(shè)帶噪多媒體音視頻數(shù)據(jù)為x(t)，在任意時(shí)刻點(diǎn)，得到數(shù)據(jù)檢測的匹配特征量：

(6)

根據(jù)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)特征分解結(jié)果，對(duì)待分解多媒體音視頻數(shù)據(jù)進(jìn)行m次濾波，得到濾波函數(shù)：

(7)

對(duì)極大、極小值進(jìn)行三次樣條插值，得到多媒體音視頻數(shù)據(jù)的左波束輸出為：

(8)

提取物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)帶噪多媒體音視頻數(shù)據(jù)的高分辨譜特征量：

(9)

在噪聲占主導(dǎo)的分量中，采用連續(xù)密度模糊分解方法，進(jìn)行多媒體音視頻數(shù)據(jù)檢測識(shí)別，在互相關(guān)系數(shù)的轉(zhuǎn)折點(diǎn)，采用自相關(guān)匹配濾波檢測方法[8]，得到物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的調(diào)制脈沖參量為：

(10)

根據(jù)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的特征量進(jìn)行模糊聚類和分段檢測[9]，得到各模態(tài)分量與原始多媒體音視頻數(shù)據(jù)的相關(guān)系數(shù)記為：

k=0,1,…,N-1

(11)

其中，an表示變尺度偏移量，采用匹配濾波方法，進(jìn)行多媒體音視頻數(shù)據(jù)的濾波處理，得到平滑濾波輸出滿足：

(12)

(13)

對(duì)臨界點(diǎn)之前的模態(tài)分量采用機(jī)器學(xué)習(xí)方法進(jìn)行自適應(yīng)尋優(yōu)[10]，得到物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘的模糊迭代式為：

j=1,2,…,J+1

(14)

根據(jù)各模態(tài)分量和原始多媒體音視頻數(shù)據(jù)的互相關(guān)特征進(jìn)行濾波處理和抗干擾設(shè)計(jì)[11]，如果x=0，得到多媒體音視頻數(shù)據(jù)濾波輸出：

(15)

綜上分析，構(gòu)建匹配濾波檢測器，如圖2所示，在輸入端輸入含噪的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)，在輸出端輸出提純的多媒體音視頻數(shù)據(jù)分量。

圖2 物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的濾波提純結(jié)構(gòu)圖

2 物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘算法優(yōu)化

2.1 物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)特征提取

在上述進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的分段檢測和連續(xù)譜密度特征分解的基礎(chǔ)上，進(jìn)行多媒體音視頻數(shù)據(jù)識(shí)別，建立物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的多載波分析模型，結(jié)合頻譜融合和連續(xù)細(xì)節(jié)特征分解方法進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)特征提取，對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行有效特征量提取[12]，采用連續(xù)密度特征分解方法，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘，得到物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)檢測的最大波峰和波谷差值：

(16)

運(yùn)用數(shù)據(jù)平滑處理的方法，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘，得到多媒體音視頻數(shù)據(jù)識(shí)別的閾值函數(shù)：

j=1,2,…,J+1

(17)

對(duì)臨界點(diǎn)之前的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)特征分量進(jìn)行分段聚類，得到分段融合聚類函數(shù)：

j=1,2,…,J+1

(18)

對(duì)含噪的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行自適應(yīng)增強(qiáng)，得到每個(gè)子多媒體音視頻數(shù)據(jù)進(jìn)行自動(dòng)匹配[13]，基于時(shí)頻分析和迭代檢測的方法，得到物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的特征提取結(jié)果，表示如下：

(19)

其中，0≤k≤N-1，表示多媒體音視頻數(shù)據(jù)的長度。

綜上分析，結(jié)合頻譜融合和連續(xù)細(xì)節(jié)特征分解方法進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)特征提取，對(duì)提取的多媒體音視頻數(shù)據(jù)譜密度特征量進(jìn)行連續(xù)細(xì)節(jié)特征融合分解分析[14]。

2.2 特征聚類及多媒體音視頻數(shù)據(jù)識(shí)別優(yōu)化

采用雙門限的方法進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)識(shí)過程中的特征檢測和識(shí)別，給出物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的譜密度特征量，采用關(guān)聯(lián)特征匹配的方法，得到含噪的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)特征估計(jì)為：

fM(z)=(f(z),fx(z),fy(z))

(20)

對(duì)原始的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)使用WVD時(shí)頻分解方法進(jìn)行特征分解和聚類分析，建立物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的模糊特征聚類模型，得到優(yōu)化的模糊聚類函數(shù)表示為：

G(w)=exp{-[log(ω/ω0)]2/2[log(σ/ω0)]2}

(21)

F={f1,f2,…,fn}

(22)

經(jīng)離散正交小波分析方法得到物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的譜特征量為：

(23)

對(duì)提取的多媒體音視頻數(shù)據(jù)譜密度特征量進(jìn)行連續(xù)細(xì)節(jié)特征融合分解分析，根據(jù)特征聚類結(jié)果，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘[15]。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證該方法在實(shí)現(xiàn)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)分析。實(shí)驗(yàn)建立在Matlab 7仿真平臺(tái)的基礎(chǔ)上，對(duì)多媒體音視頻數(shù)據(jù)序列檢測的長度為1 024，分段樣本序列長度為249，對(duì)多媒體音視頻數(shù)據(jù)進(jìn)行模糊分類識(shí)別樣本帶寬分布頻率為12 kHz，離散采樣率為36 kHz，物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的寬度為58 dB，干擾強(qiáng)度為-13 dB，自適應(yīng)學(xué)習(xí)迭代為500。

根據(jù)上述仿真參量設(shè)定，物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘，得到原始的多媒體音視頻數(shù)據(jù)波形如圖3所示。

圖3 數(shù)據(jù)及干擾噪聲分布時(shí)域波形

以圖3的多媒體音視頻數(shù)據(jù)為研究對(duì)象樣本，建立物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的多載波分析模型，結(jié)合頻譜融合和連續(xù)細(xì)節(jié)特征分解方法進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)特征提取，得到不同的小波系數(shù)下多媒體音視頻數(shù)據(jù)特征提取輸出，如圖4所示。

圖4 數(shù)據(jù)的分段特征提取輸出

分析圖4得知，采用該方法能有效實(shí)現(xiàn)對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的分段檢測識(shí)別，具有很好的抗干擾性。根據(jù)特征提取結(jié)果，實(shí)現(xiàn)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘，測試不同方法進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘的準(zhǔn)確性，得到的對(duì)比結(jié)果見表1。分析得知，采用文中方法進(jìn)行多媒體音視頻數(shù)據(jù)識(shí)別的準(zhǔn)確性較高。

表1 多媒體音視頻數(shù)據(jù)識(shí)別的準(zhǔn)確性對(duì)比

4 結(jié)束語

構(gòu)建物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的自動(dòng)測試和多媒體音視頻數(shù)據(jù)檢測模型，采用多媒體音視頻數(shù)據(jù)的優(yōu)化識(shí)別技術(shù)，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘，該文提出基于分段聚類的物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘方法。利用Welch法得到物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)型號(hào)的功率譜密度，采用高分辨的連續(xù)功率譜密度重構(gòu)方法，建立物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)的多載波分析模型，對(duì)物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)進(jìn)行尺度和時(shí)延等參量估計(jì)，采用連續(xù)密度模糊分解方法，進(jìn)行多媒體音視頻數(shù)據(jù)檢測識(shí)別，在互相關(guān)系數(shù)的轉(zhuǎn)折點(diǎn)，采用自相關(guān)匹配濾波檢測方法，實(shí)現(xiàn)多媒體音視頻數(shù)據(jù)譜密度特征量提取和連續(xù)細(xì)節(jié)特征融合分解分析，根據(jù)特征聚類結(jié)果，進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘。研究得知，采用該方法進(jìn)行物聯(lián)網(wǎng)多媒體音視頻數(shù)據(jù)并行聚類挖掘的準(zhǔn)確性較高，抗干擾性較好。