新媒體藝術傳播結構體感交互建模分析

盛 燕

(安徽揚子職業技術學院 藝術學院，安徽 蕪湖 241000)

隨著新媒體藝術傳播的快速發展，對新媒體藝術傳播的準確性和交互性提出了更高的要求，需要構建新媒體藝術傳播的體感信息交互模型，結合大數據信息處理方法，進行新媒體藝術傳播的大數據融合分析和自適應調度處理[1]，構建新媒體藝術傳播的空間信息采樣和統計分析模型，提高新媒體藝術傳播的體感交互性，研究新媒體藝術傳播的體感交互建模方法，在促進新媒體藝術傳播的優化和人機交互能力方面具有重要意義[2]，本文提出基于統計分析和量化遞歸分析模型的新媒體藝術傳播結構體感交互模型，構建新媒體藝術傳播結構體感交互的大數據信息統計分析模型，采用統計數據分析和大數據特征采樣分析方法，進行新媒體藝術傳播結構體感交互建模，通過信息融合和虛擬現實仿真方法，實現新媒體藝術傳播結構體感交互建模的優化設計，并通過仿真實驗進行性能測試，得出有效性結論。

一、新媒體藝術傳播結構體感交互大數據分析

1. 統計分析模型

為了實現對新媒體藝術傳播結構體感交互最優選擇和融合聚類分析，結合對新媒體藝術傳播結構體感交互統計大數據分布，進行特征分析，建立融合性的新媒體藝術傳播結構體感交互聚類分析模型，采用大數據挖掘技術，構建新媒體藝術傳播結構體感交互的最優融合特征參量集[3]，結合模糊尋優方法，進行新媒體藝術傳播結構體感交互設計，采用空間分布式結構重組，進行新媒體藝術傳播結構體感交互數據的特征重組，提取新媒體藝術傳播結構體感交互的關聯規則特征集，得到新媒體藝術傳播結構體感交互的量化特征分布集[4]，得到新媒體藝術傳播結構體感交互的數據挖掘模型。

給出新媒體藝術傳播結構體感交互優化選擇的大數據的相空間分布W，它是一個n×m的關聯規則特征分布信息空間函數，在新媒體藝術傳播結構體感交互狀態空間中，結合優化選擇模式進行新媒體藝術傳播結構體感交互結構重組，構建特征分布向量pq，構建新媒體藝術傳播結構體感交互的概率分布函數為p(ni)={pk|prkj=1,k=1,2,…,m}，進行新媒體藝術傳播結構體感交互的統計分析，得到統計特征分布模型為vi，關聯分布樣本集合為：

(1)

用C表示新媒體藝術傳播結構體感交互的大數據調度的任務集，C(vi,vj)表示新媒體藝術傳播結構體感交互選擇的鏈路控制集，在新媒體藝術傳播結構體感交互選擇策略下，得到約束特征量vi與vj間的計算開銷，構建新媒體藝術傳播結構體感交互的回歸分析模型為：

(2)

其中，p為新媒體藝術傳播結構體感交互的重構維數，n(t)為新媒體藝術傳播結構體感交互的大數據調度干擾項，si(t)為新媒體藝術傳播結構體感交互的大數據統計特征量，a(θi)為新媒體藝術傳播結構體感交互的大數據調制成分，根據上述分析，建立了新媒體藝術傳播結構體感交互的大數據分析模型，結合大數據融合和特征提取方法，進行新媒體藝術傳播結構體感交互建模[5]。

2. 特征提取優化

構建新媒體藝術傳播結構體感交互的大數據信息統計分析模型，采用空間信息融合方法進行新媒體藝術傳播結構體感交互的三維數據模型[6]，結合衰減向量分析方法進行體感交互最優參數集融合，得到新媒體藝術傳播結構體感交互的狀態集為mbest(t+1)，結合數據語義關聯規則分析進行新媒體藝術傳播結構體感交互的本體結構重組，用pj(t+1)表示第t+1個聚類中心的新媒體藝術傳播結構體感交互特征量，采用狀態空間重構的方法，得到新媒體藝術傳播結構體感交互的模糊度函數為a1和a2，在M維隨機向量中，得到新媒體藝術傳播結構體感交互統計大數據的統計特征量pg(t)定義為：

pg(t)=arg min{f(pj(t))|j=1,2,L,n}

(3)

式中，f(pj(t))為新媒體藝術傳播結構體感交互統計大數據在聚類中心j中的最優位置，在最優位置中進行新媒體藝術傳播結構體感交互的特征搜索，得到第t代搜索到的最優位置的適應值，對新媒體藝術傳播結構體感交互數據進行回歸分析，得到相關性的配置特征量a1和a2由下式確定：

a1=c1r1

a2=c2r2

(4)

式中，r1、r2為M維隨機向量；c1為新媒體藝術傳播結構體感交互統計大數據的關聯規則向量集，c2為新媒體藝術傳播結構體感交互的模糊特征量。根據上述分析，實現對新媒體藝術傳播結構體感交互的特征提取，結合模糊度尋優方法，進行新媒體藝術傳播結構體感交互的自適應控制，提高新媒體藝術傳播結構體感交互的自適應融合和特征調度能力[7]。

二、新媒體藝術傳播結構體感交互建模優化

1.體感交互的遞歸圖模型結構

本文提出基于統計分析和量化遞歸分析模型的新媒體藝術傳播結構體感交互模型，構建新媒體藝術傳播結構體感交互的大數據信息統計分析模型，采用空間信息融合方法進行新媒體藝術傳播結構體感交互的三維數據模型，建立新媒體藝術傳播結構體感交互的統計特征量和模糊決策模型，構建新媒體藝術傳播結構體感交互統計大數據時間序列{x(t0+iΔt)}，i=0,1,…,N-1，采用模糊空間融合和狀態適應性調度的方法，對新媒體藝術傳播結構體感交互模型進行自適應更新控制[8]，得到新媒體藝術傳播結構體感交互的模糊更新規則性函數表達如下式：

(5)

其中

(6)

(7)

結合累積方差分析進行新媒體藝術傳播結構體感交互模型大數據聚類，采用相關性檢測方法進行新媒體藝術傳播結構體感交互模型設計[9]，得到大數據信息流的主成分特征：

(8)

其中，xn表示新媒體藝術傳播結構體感交互的主成分特征量，得到新媒體藝術傳播結構體感交互統計分析的狀態均值為：

(9)

結合大數據模糊聚類分析方法，進行新媒體藝術傳播結構體感交互控制，進行大數據匹配檢測，提高新媒體藝術傳播結構體感交互控制能力。

2.語義本體結構特征分析及建模輸出

采用語義本體映射方法，得到新媒體藝術傳播結構體感交互的同級特征分解式為：

(10)

式中，kμ(t)表示t時刻新媒體藝術傳播結構體感交互統計大數據的模糊度函數；ΔTm(t)表示t時刻新媒體藝術傳播結構體感交互的空間采樣延遲；w為相對權重；Θ為kμ(t)的概率條件。結合限定穩態條件給出新媒體藝術傳播結構體感交互的收斂控制函數為：

(11)

上式中，新媒體藝術傳播結構體感交互的負荷為Mh，結合語義本體結構特征分析方法進行新媒體藝術傳播結構體感交互建模和特征分析[10]，得到融合性調度的特征分布有限數據集：

X={x1,x2,…xn}?Rs

(12)

其中，新媒體藝術傳播結構體感交互統計大數據集合中含有n個樣本，樣本xi，i=1,2,…,n，結合SVM學習方法，得到定量遞歸圖為：

(13)

結合空間模糊度狀態特征分解方法，得到新媒體藝術傳播結構體感交互的特征分布矩陣滿足：

(14)

在連續的有限域值空間中構建新媒體藝術傳播結構體感交互統計大數據分布狀態參數集S={1,2,…,N}，生成元數據Υ=(rij)N*N，結合定量遞歸分析方法構建新媒體藝術傳播結構體感交互的遞歸圖模型結構，為：

(15)

如果其中Δ>0且rij>0，采用 Sigma檢驗可得新媒體藝術傳播結構體感交互統計大數據的判據為：

(1)S≥2.00，新媒體藝術傳播結構體感交互統計大數據的識別以95%概率不成立，表示交互能力較強；

(2)S<2.00，新媒體藝術傳播結構體感交互統計大數據的識別成立，原數據是不是同類特征，表示交互能力弱。

綜上分析，實現新媒體藝術傳播結構體感交互模的優化設計。

三、仿真測試分析

為了驗證該方法在實現新媒體藝術傳播結構體感交互模型選擇和控制中的應用性能，進行實證驗證，結合SPSS14.0統計分析軟件進行新媒體藝術傳播結構體感交互模型的實證數據分析，大數據統計信息采樣的長度為1024，對新媒體藝術傳播結構體感交互特征統計分析的樣本帶寬為12Bps/Hz，空間分布的維數為12，自適應迭代步數為200，根據上述參數設定，進行新媒體藝術傳播結構體感交互模型設計，得到大數據分布如圖1所示。

圖1 新媒體藝術傳播結構體感交互大數據分布

以圖1的數據為研究對象，采用空間信息融合方法進行新媒體藝術傳播結構體感交互的三維數據模型，建立新媒體藝術傳播結構體感交互的統計特征量和模糊決策模型，實現信息結構重組，得到重組結構如圖2所示。

圖2 新媒體藝術傳播結構體感交互結構重組

根據結構重組結果，進行新媒體藝術傳播結構體感交互建模，測試建模的準確性，得到對比結果見表1。

表1 新媒體藝術傳播結構體感交互準確性測試

分析表1得知，本文方法進行新媒體藝術傳播結構體感交互的準確性較高。

結語

構建新媒體藝術傳播的空間信息采樣和統計分析模型，提高新媒體藝術傳播的體感交互性，本文提出基于統計分析和量化遞歸分析模型的新媒體藝術傳播結構體感交互模型，結合模糊尋優方法，進行新媒體藝術傳播結構體感交互設計，采用空間分布式結構重組，進行新媒體藝術傳播結構體感交互數據的特征重組，結合模糊度尋優方法，進行新媒體藝術傳播結構體感交互的自適應控制，提高新媒體藝術傳播結構體感交互的自適應融合和特征調度能力。本文方法進行新媒體藝術傳播結構體感交互建模的穩定性較好，精度較高，提高了新媒體藝術傳播結構體感交互控制能力。