多媒體智能教學系統中特定數據挖掘方法研究

任高舉，白亞男（平頂山學院 計算機學院，河南 平頂山　467000）

多媒體智能教學系統中特定數據挖掘方法研究

任高舉，白亞男
（平頂山學院 計算機學院，河南 平頂山467000）

對多媒體教學系統中特定關鍵數據進行準確挖掘，可以提高多媒體智能教學系統的信息兼容和數據訪問能力。傳統方法采用經驗模態特征分解方法進行數據挖掘，當多媒體智能教學系統數據規模的擴大、信息融合度的提高時，數據挖掘的準確度下降。提出一種基于尺度仿射變換和特定數據信息流相空間重構的數據挖掘算法，首先建立多媒體智能教學系統的數據分布結構模型，采用尺度仿射變換對數據進行信息融合處理，對融合后的數據信息流進行相空間重構，在重構的高維相空間中提取多媒體智能教學系統中特定數據的高階矩特征，實現對特征數據的準確挖掘。仿真結果表明，采用該方法進行數據挖掘的準確識別概率較高，抗干擾性能較強。

多媒體；教學系統；數據挖掘；相空間重構

數據挖掘包括數據特征提取和數據采集，是通過數據特征提取方法對用戶所需信息進行檢索識別，達到數據高效利用的目的。多媒體智能教學系統中大數據包含課程的分類信息、多媒體圖像信息、教學內容信息等，對多媒體智能教學系統大數據中的特定數據和關鍵信息進行準確挖掘，可以提高教學系統的使用效率和數據調度訪問能力，具有重要意義，受到相關專家學者的普遍重視。

傳統算法對多媒體智能教學系統中特定數據的特征提取和挖掘主要采用基于時頻分析的數據挖掘算法、基于經驗模態分解的多媒體智能教學信息數據挖掘算法、基于譜特征提取的多媒體智能教學系統特定數據挖掘算法等［1-3］，這些方法通過建立多媒體智能教學系統中特定數據的特征提取模型，在此基礎上進行時頻特征、經驗模態特征和高階譜等特征信息的提取和抗干擾分析。但傳統算法進行數據挖掘時，將數據信息流看作一組嚴平穩的線性時間序列，忽視了數據信息流中的非線性特征，導致數據挖掘中受到的干擾較大，降低了挖掘的準確性［4-5］。因此，相關文獻進行了算法的改進，其中，文獻［6］提出一種基于多傳感組網時頻特征盲分離和高斯級聯濾波的多媒體智能教學系統中特定數據挖掘和特征提取算法，通過提取多媒體智能教學系統中特定數據時頻特征，通過子空間降維實現數據挖掘和數據庫的優化訪問，但該算法計算開銷較大，收斂性差；文獻［7］提出一種基于分數階傅里葉變換和高階累積量后置聚焦的多媒體智能教學系統中特定數據挖掘算法，采用雙門限能量挖掘進行多媒體智能教學系統中特定數據的波束特征提取，提高數據挖掘的指向性，但該方法挖掘精度較差；文獻［8］采用經驗模態特征分解方法進行數據挖掘，但當多媒體智能教學系統數據規模的擴大、信息融合度的提高時，數據挖掘的準確度下降［9-10］。

針對上述問題，本文提出一種基于尺度仿射變換和特定數據信息流相空間重構的數據挖掘算法，并通過相關實驗進行了性能測試。

1　多媒體智能教學系統的數據分布結構模型建立與信息融合處理

1.1多媒體智能教學系統的數據分布結構模型建立

為了實現對多媒體智能教學系統中特定數據的挖掘，首先需要進行數據結構分析和數據融合預處理。本文研究對象為跨平臺網絡環境下的多媒體遠程教學系統，以該系統用戶在所有終端和位置的服務器的高速運算和數據管理結果為依據，對模型內的數據結構進行分析，假設代表模型中多媒體智能教學系統中數據感知層中任一節點，即v∈V，e代表多媒體教學系統的應用業務層的任一連邊，e∈E，多媒體智能教學系統中特定數據源就是采用連邊-節點的形式分布在系統的數據管理陣元中，其中數據傳輸的節點幀分為N×N單位線列陣，信道帶寬為Ts=KbTf。假設VMj代表嵌入式多媒體智能教學系統數據庫中信息流矢量長度，E｛［X-E（X）］［YE（Y）］｝為模糊分類隨機變量X與Y的協方差，記為Cov（X，Y），對多媒體智能教學系統中的數據存儲模型屬性權重進行自適應學習，在多層矢量自回歸特征空間中構建數據庫中的特定數據分布的矢量場X，在多媒體智能教學系統中，局部離群點會產生交叉型數據集，通過公式（1）建立特定數據挖掘中的局部離群點信息流模型：

其中，wu，v表示多媒體智能教學系統的網絡簇內節點u 和v之間的權值，|S|指無向圖 S中的數據特征交叉性結點數。本文利用上述離群點信息流模型，構建一組有交集的稠密子圖，用來反映多媒體智能教學系統中的交叉型數據集特征，并提取多媒體智能教學系統中特定大數據信息流的時間序列｛x（t0+iΔt）｝，i=0，1，L，N-1，假設A=｛a1，a2，…，an｝代表多媒體智能教學系統特定數據特征矢量的模糊聚類中心，利用模糊聚類中心對特定數據的差異屬性進行分類，建立跨平臺網絡應用支撐層下的多媒體智能教學系統中的數據分布結構的無向圖模型G=（V，E），即多媒體智能教學系統的數據分布結構圖模型，如圖1所示。

1.2數據的信息融合處理

在上述數據結構分析的基礎上，文中采用尺度仿射變換對數據進行信息融合處理，具體步驟如下：

采用連續小波變換對上述模型中分布的特定數據進行經驗模態特征分解，得到一組表征多媒體智能教學系統中特定數據內部細節特征的時間尺度a和時間平移b的二維函數，利用公式（2）在二維投影面上對多媒體智能教學系統中特定數據進行概率特征分解：

圖1　多媒體智能教學系統的數據分布結構圖模型

假設，rk（v+1）為采集的多媒體智能教學系統中特定數據非線性時間序列，parity（qp（z））代表數據采樣的母小波，當采集的多媒體智能教學系統中特定數據x（k）=s（k）+w（k）為準平穩隨機信息流時，利用公式（3）獲取特征數據在教學系統數據庫分布的邊緣子帶層位信息：

利用公式（4）計算隨機選擇k個均勻分布在邊緣子帶層位的多媒體特定數據分布概率：

根據多媒體特定數據分布概率，對分布概率較大的數據進行尺度仿射變換，建立有限的信噪比下數據挖掘的信息融合模型：

其中，U（a，b）是多媒體智能教學系統中特定數據的時域部分的分數階Fourier變換，因子保證了該分數階Fourier變換的能量歸一化，通過上述處理，實現了對多媒體智能教學系統中特定數據的信息融合。

2　特定數據挖掘算法改進設計與實現

在上述分析了多媒體智能教學系統的數據分布結構模型，采用尺度仿射變換對數據進行信息融合處理的基礎上，進行數據挖掘算法改進設計，通過對多媒體教學系統中的特定關鍵數據進行準確的信息特征提取和挖掘，提高多媒體智能教學系統的信息兼容和數據訪問能力。文中提出一種基于尺度仿射變換和特定數據信息流相空間重構的數據挖掘算法，實現步驟如下：

假設多媒體智能教學系統中的特定數據融合最優權系數β、懲罰因子C，利用公式（6）構建特定數據前饋增益調節均方差函數：

多媒體智能教學系統中的數據管理通多分布式數據庫模型而實現，在分布式數據庫集成了大量的云數據，需要利用前饋增益調節均方差函數對多媒體智能教學系統中分布式數據庫中的云數據進行結構優化，提高數據信息挖掘的準確性和效率，并利用公式（7）的相空間重構方法進行特定數據流信息高頻成分的衰減特性分解：

在完成高頻成分的衰減特性分解后，利用多媒體智能教學系統中特定數據的多維相空間的指向性波束特征，利用公式（8）獲取多媒體智能教學系統中特定數據幅頻響應特征的非均勻采樣輸出：

其中，τ為特定數據信息流的相空間重構采樣時延，ck為相空間重構的嵌入維數，φ為采樣間隔的相位差，bk為空間指向性增益調節系數。在非均勻采樣輸出結果中，假設y（k）為多維參量混合估計后得到的多媒體智能教學系統中特定數據的近似統計平均，根據高斯隨機線性分離特定數據的不變特性，在高維相空間中對特征數據進行特定數據不變特征挖掘，提高信號的頻域聚焦能力，利用公式（9）獲取多媒體智能教學系統中特定數據的時移不變特性和頻移不變性特征：

其中，x（t）為原始數據的奇異值分解結果，t0為初始采樣時間點，Wy（t，v）為觀測向量，v0為特定數據的功率譜密度，v為教學系統中數據受到干擾的強度，通過上述分析，利用公式（10）在時間尺度上對特定數據的時移不變特性和頻移不變性特征進行迭代求解：

奇異值進行分解后，可以利用公式（12）對重構的高維相空間中提取多媒體智能教學系統中特定數據的高階矩特征：

其中，多媒體智能教學系統中特定數據的高階矩特征可以很大程度的反映特定數據特征，通過對高階矩特征的定位，即可實現實現多媒體智能教學系統中特定數據挖掘。

3　仿真實驗與結分析

為了測試本文算法在實現多源多媒體智能教學系統中特定數據的特征提取和挖掘中的性能，進行仿真實驗。仿真實驗的硬件環境采用個人PC機，配置參數為：CPU 3.0G，12G內存，操作系統為Windows 7。采用Matlab 7數學仿真語言進行算法設計與實現，多媒體智能教學系統中特定數據樣本測試集采集于某大型遠程多媒體教學系統。多媒體智能教學系統的樣本數據的采集過程中，測試樣本集合的平均采樣率為fs=10*f0Hz=10 kHz，多媒體智能教學系統中特定數據的訓練樣本長度為1 024，對多媒體智能教學系統數據庫的訪問次數為189 283次，自適應迭代步長參數u=0.000 2，教學系統中其他數據的干擾為n（k）＝nr（k）＋jni（k），全局迭代次數為500次，干擾數據信息的離散樣本數為990，通過上述數據采集結果進行多媒體教學系統中的數據信息模型構建，得到多媒體智能教學系統中特定數據采樣的帶寬B=1 000 Hz，相空間重構的嵌入維數m為30，時延為12，根據上述仿真環境，得到多媒體智能教學系統中數據訓練樣本采集的頻域圖如圖2所示。

圖2　多媒體智能教學系統中數據訓練樣本采集的頻域圖

采用尺度仿射變換對數據進行信息融合處理，對融合后的數據信息流進行相空間重構，得到相空間重構后的數據分布時頻圖如圖3所示。

圖3　融合后的數據信息流相空間重構結果

通過上述仿真結果可見，數據融合后的數據信息流相空間頻譜特征指向性明顯，旁瓣抑制性能較高，通過相空間重構，提高了特定數據在高維空間中的頻譜分解和抗干擾能力，在重構的高維相空間中提取多媒體智能教學系統中特定數據的高階矩特征，實現數據挖掘。為了對比算法性能，采用本文方法和傳統方法，以數據挖掘的準確度為測試指標，得到仿真對比結果如圖4所示，從圖可見，采用本文算法進行數據挖掘的準確識別率較傳統方法高很多，展示了較好的性能。

圖4　數據挖掘準確識別率

4　結束語

對多媒體智能教學系統大數據中的特定數據和關鍵信息進行準確挖掘，提高教學系統的使用效率和數據調度訪問能力。文中提出一種基于尺度仿射變換和特定數據信息流相空間重構的數據挖掘算法，對融合后的數據信息流進行相空間重構，在重構的高維相空間中提取多媒體智能教學系統中特定數據的高階矩特征，實現數據挖掘優化。仿真結果表明，采用該算法進行數據挖掘的準確性好，收斂度較高，展示了較好的應用價值。

第三，通過完善“互聯網+”的建設，使基礎信息數據具有整合性的特質，從而保證數據的方向型傳輸。進而使數據的收集、數據的運用、數據的儲存能在校園數據庫中進行整合、分析和處理。特別是需要根據“互聯網+”的功能分層做出相應調研，使教學、管理和信息的傳遞功能不會因數據的混亂而造成整合發生偏差。

［1］張萌，張滬寅，葉剛.延遲時間和嵌入維數聯合優化的網絡流量預測［J］.計算機工程與應用，2014，50（4）:103-109.

［2］徐曉斌，張光衛，孫其博，等.一種誤差可控傳輸均衡的WSN數據融合算法［J］.電子學報，2014，42（6）:1205-1209.

［3］吳鴻華，穆勇，屈忠鋒，等.基于面板數據的接近性和相似性關聯度模型［J］.控制與決策，2016，31（3）:555-558.

［4］劉經南，方媛，郭遲，等.位置大數據的分析處理研究進展［J］.武漢大學學報·信息科學版，2014，39（4）:379-385.

［5］王睿.一種基于回溯的Web上應用層DDOS檢測防范機制［J］.計算機科學，2013，40（11A）:175-177.

［6］Wang J，Li M，Chen J，Pan Y:A Fast Hierarchical Clustering Algorithm for Functional Modules Discovery in Protein Interaction Networks［J］.Computational Biology and Bioinformatics，IEEE/ACM Transactions on，2011，8（3）:607-620.

［7］Nepusz T，Yu H and Paccanaro A:Detecting overlapping protein complexes in protein-protein interaction networks［J］. Nature Methods，2012，9（5）:471-475.

［8］王銳，何聚厚.基于領域本體學習資源庫自動構建模型研究［J］.電子設計工程，2015（24）:32-35.

［9］王衛民，葉秋菊，賀文麗，等.基于GIS的氣象時空數據挖掘和融合技術［J］.電子科技，2014（2）:130-133.

［10］王慧敏，賀興時，牛四強.數據挖掘在高校圖書館中的應用［J］.西安工程大學學報，2014，28（2）:241-245.

【相關參考文獻鏈接】

郎振紅.面向云計算改進的遠程教學系統的研究［J］.2014，22 （17）:4-37.

李小寧.一種個性化網絡輔助音樂教學系統設計［J］.2015，23 （15）:156-158.

趙明.智能體育教學系統的設計與實現［J］.2015，23（11）:45-47.

李軍林.基于三維圖像技術的高校體育多媒體教學平臺設計［J］. 2015，23（15）:172-173.

屈毅博.基于流媒體技術的遠程英語教學系統設計［J］. 2015，23（15）:159-161.

任鎖平.基于數據挖掘的高職教學質量監控評價系統設計及應用［J］.2015，23（16）:25-27.

劉一鷗，李艷紅.教學資源信息庫的建設與實現［J］.2015，23 （17）:32-35.

王洪敏.網絡教學集成平臺的功能框架與功能分析［J］. 2014，22（12）:23-25.

閆朝升，李丹.基于OLAP的教學質量分析系統設計與實現［J］. 2015，23（14）:12-14.

翁省輝，吳方.定時關機程序在C語言教學中的應用［J］.2015，23 （15）:16-18.

楊嵐.基于云計算技術的藝術設計專業輔助教學系統設計與實現［J］.2015，23（17）:135-136.

Research on specific data mining methods in multimedia intelligent tutoring system

REN Gao-ju，BAI Ya-nan
（Computer College，Pingdingshan University，Pingdingshan 467000，China）

The multimedia teaching system in particular key data are accurate，could improve the compatibility and multimedia intelligent teaching system of information data access capabilities.The traditional method using empirical mode decomposition method for data mining，when the scale enlargement of multimedia data intelligent teaching system，the improvement of information alignment，the accuracy of data mining.In this paper，a criterion based on affine transformation and specific data stream data mining algorithm of phase space reconstruction，multimedia intelligent teaching system established by the structure model of the distribution of data of the data by dimensional affine transform information fusion processing，phase space reconstruction was carried out on the merged data traffic，in higher dimensional phase space reconstruction to extract the smart multimedia teaching systems of higher order moments of the specific data in feature，realize the characteristic data of accurate mining.The simulation results show that by using this method to the accuracy of the data mining to identify probability is higher，anti-interference performance is stronger.

multimedia；teaching system；data mining；phase space reconstruction

TP391

A

1674－6236（2016）11-0004-04

2016-03-18稿件編號：201603240

國家“863”計劃基金資助項目（20167AA01Z146）；2014年度河南省科技計劃項目（142102210226）

任高舉（1979—），男，河南葉縣人，碩士研究生，助教。研究方向：數據挖掘、人工智能。