基于連續細節特征分解的數據并行聚類挖掘

林瀟鴻，陸興華，馬棉濤，林佳茵

(廣東工業大學華立學院，廣東 廣州 511325)

0 引 言

隨著現代信息和大數據處理技術的發展，對多媒體大數據的檢測和識別的精度不斷提高，在進行物聯網多媒體音視頻數據并行聚類挖掘過程中，受到多媒體音視頻數據的類間干擾性的影響，導致對多媒體音視頻數據的識別精度不高，需要構建物聯網多媒體音視頻數據的自動測試和多媒體音視頻數據檢測模型。采用多媒體音視頻數據的優化識別技術，進行物聯網多媒體音視頻數據并行聚類挖掘，采用優化的多媒體音視頻數據檢測和特征識別技術，進行物聯網多媒體音視頻數據的檢測優化[1]，提取物聯網多媒體音視頻數據的統計特征量和相關功率譜特征量，通過特征聚類分析的方法，提高物聯網多媒體音視頻數據的識別性能[2]。

在物聯網多媒體音視頻數據并行聚類挖掘是建立多媒體音視頻數據檢測和特征提取的基礎上，采用連續密度模糊特征分解方法，進行多媒體音視頻數據檢測和識別，由于多媒體音視頻數據受到多媒體音視頻數據傳輸的突變等因素的影響，導致對物聯網多媒體音視頻數據并行聚類挖掘的準確度不高。傳統方法中，對物聯網多媒體音視頻數據并行聚類挖掘方法主要有時頻特征分解方法、譜特征提取方法、自相關功率譜特征提取方法等[3-4]，對物聯網多媒體音視頻數據進行自適應盲分離處理，對物聯網多媒體音視頻數據進行尺度和時延估計，實現多媒體音視頻數據的優化檢測，但傳統方法進行多媒體音視頻數據識別存在模糊度較大和計算復雜度高的問題。對此，該文提出基于分段聚類的物聯網多媒體音視頻數據并行聚類挖掘方法。首先對采集的物聯網多媒體音視頻數據進行分段檢測和連續譜密度特征分解，然后采用子空間匹配降噪方法進行多媒體音視頻數據的濾波提純處理，根據特征聚類結果，進行物聯網多媒體音視頻數據并行聚類挖掘。最后進行仿真實驗分析，展示了該方法在提高物聯網多媒體音視頻數據并行聚類挖掘能力方面的優越性能。

1 物聯網多媒體音視頻數據模型及濾波處理

1.1 物聯網多媒體音視頻數據模型

為了實現物聯網多媒體音視頻數據并行聚類挖掘，需要首先構建續密度物聯網多媒體音視頻數據模型，對采集的物聯網多媒體音視頻數據進行分段檢測和連續譜密度特征分解。采用等波紋周期性檢測的方法，進行物聯網多媒體音視頻數據的檢測和識別，將物聯網多媒體音視頻數據的長度作為分段交疊的長度[5]，采用等波紋周期性增強的方法，進行物聯網多媒體音視頻數據并行聚類挖掘，采用模糊特征聚類分析的方法，判斷連續多媒體音視頻數據的類別，對物聯網多媒體音視頻數據進行分段疊加。在最佳采樣點nb處，得到多媒體音視頻數據的長度fl，以fl作為時間窗口，采用重疊子載波的方法，得到物聯網多媒體音視頻數據長度l：

(1)

(2)

設物聯網多媒體音視頻數據為一組平穩的隨機多媒體音視頻數據，表示為x(t)，結合時域和頻域特征分解的方法，對x(t)進行本征模態分量估計，獲取離散的物聯網多媒體音視頻數據x(n)，采用高頻本征模態分量濾波方法進行時頻加窗處理，得到輸出窗口函數為h(t)，物聯網多媒體音視頻數據的頻譜寬度為T=(2d+1)Ts，Fs=1/Ts。在混疊效應下，得到物聯網多媒體音視頻數據的頻譜分解運算：

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

(3)

其中，a1,…,am為音頻數據時間序列，b1,…,bm為視頻數據時間序列，α1,α2,…,αm為時頻參數序列，β1,β2,…,βm為關聯維序列。在經對音視頻數據多次疊加平均后，把Xp(u)進行濾波和閾值截斷，可以表示為：

(4)

通過上述分析，構建了物聯網多媒體音視頻數據模型，對采集的物聯網多媒體音視頻數據進行分段檢測和連續譜密度特征分解[5]，如圖1所示。

圖1 物聯網多媒體音視頻數據檢測模型

1.2 多媒體音視頻數據濾波

采用子空間匹配降噪方法進行多媒體音視頻數據的濾波提純處理，建立物聯網多媒體音視頻數據的多載波分析模型，對物聯網多媒體音視頻數據進行尺度和時延等參量估計，得到物聯網多媒體音視頻數據參數估計值：

G(U|μk,∑k)=(2π)-d/2|∑k|-1/2×

(5)

根據物聯網多媒體音視頻數據隨時間衰減的特性，提取高頻分量中的有效多媒體音視頻數據，對物聯網多媒體音視頻數據進行自適應盲分離處理[7]。假設帶噪多媒體音視頻數據為x(t)，在任意時刻點，得到數據檢測的匹配特征量：

(6)

根據物聯網多媒體音視頻數據特征分解結果，對待分解多媒體音視頻數據進行m次濾波，得到濾波函數：

(7)

對極大、極小值進行三次樣條插值，得到多媒體音視頻數據的左波束輸出為：

(8)

提取物聯網多媒體音視頻數據帶噪多媒體音視頻數據的高分辨譜特征量：

(9)

在噪聲占主導的分量中，采用連續密度模糊分解方法，進行多媒體音視頻數據檢測識別，在互相關系數的轉折點，采用自相關匹配濾波檢測方法[8]，得到物聯網多媒體音視頻數據的調制脈沖參量為：

(10)

根據物聯網多媒體音視頻數據的特征量進行模糊聚類和分段檢測[9]，得到各模態分量與原始多媒體音視頻數據的相關系數記為：

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，進行多媒體音視頻數據的濾波處理，得到平滑濾波輸出滿足：

(12)

(13)

對臨界點之前的模態分量采用機器學習方法進行自適應尋優[10]，得到物聯網多媒體音視頻數據并行聚類挖掘的模糊迭代式為：

j=1,2,…,J+1

(14)

根據各模態分量和原始多媒體音視頻數據的互相關特征進行濾波處理和抗干擾設計[11]，如果x=0，得到多媒體音視頻數據濾波輸出：

(15)

綜上分析，構建匹配濾波檢測器，如圖2所示，在輸入端輸入含噪的物聯網多媒體音視頻數據，在輸出端輸出提純的多媒體音視頻數據分量。

圖2 物聯網多媒體音視頻數據的濾波提純結構圖

2 物聯網多媒體音視頻數據并行聚類挖掘算法優化

2.1 物聯網多媒體音視頻數據特征提取

在上述進行物聯網多媒體音視頻數據的分段檢測和連續譜密度特征分解的基礎上，進行多媒體音視頻數據識別，建立物聯網多媒體音視頻數據的多載波分析模型，結合頻譜融合和連續細節特征分解方法進行物聯網多媒體音視頻數據特征提取，對物聯網多媒體音視頻數據進行有效特征量提取[12]，采用連續密度特征分解方法，進行物聯網多媒體音視頻數據并行聚類挖掘，得到物聯網多媒體音視頻數據檢測的最大波峰和波谷差值：

(16)

運用數據平滑處理的方法，進行物聯網多媒體音視頻數據并行聚類挖掘，得到多媒體音視頻數據識別的閾值函數：

j=1,2,…,J+1

(17)

對臨界點之前的物聯網多媒體音視頻數據特征分量進行分段聚類，得到分段融合聚類函數：

j=1,2,…,J+1

(18)

對含噪的物聯網多媒體音視頻數據進行自適應增強，得到每個子多媒體音視頻數據進行自動匹配[13]，基于時頻分析和迭代檢測的方法，得到物聯網多媒體音視頻數據的特征提取結果，表示如下：

(19)

其中，0≤k≤N-1，表示多媒體音視頻數據的長度。

綜上分析，結合頻譜融合和連續細節特征分解方法進行物聯網多媒體音視頻數據特征提取，對提取的多媒體音視頻數據譜密度特征量進行連續細節特征融合分解分析[14]。

2.2 特征聚類及多媒體音視頻數據識別優化

采用雙門限的方法進行物聯網多媒體音視頻數據識過程中的特征檢測和識別，給出物聯網多媒體音視頻數據的譜密度特征量，采用關聯特征匹配的方法，得到含噪的物聯網多媒體音視頻數據特征估計為：

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

(20)

對原始的物聯網多媒體音視頻數據使用WVD時頻分解方法進行特征分解和聚類分析，建立物聯網多媒體音視頻數據的模糊特征聚類模型，得到優化的模糊聚類函數表示為：

G(w)=exp{-[log(ω/ω0)]2/2[log(σ/ω0)]2}

(21)

F={f1,f2,…,fn}

(22)

經離散正交小波分析方法得到物聯網多媒體音視頻數據的譜特征量為：

(23)

對提取的多媒體音視頻數據譜密度特征量進行連續細節特征融合分解分析，根據特征聚類結果，進行物聯網多媒體音視頻數據并行聚類挖掘[15]。

3 仿真實驗與結果分析

為了驗證該方法在實現物聯網多媒體音視頻數據并行聚類挖掘中的應用性能，進行仿真實驗分析。實驗建立在Matlab 7仿真平臺的基礎上，對多媒體音視頻數據序列檢測的長度為1 024，分段樣本序列長度為249，對多媒體音視頻數據進行模糊分類識別樣本帶寬分布頻率為12 kHz，離散采樣率為36 kHz，物聯網多媒體音視頻數據的寬度為58 dB，干擾強度為-13 dB，自適應學習迭代為500。

根據上述仿真參量設定，物聯網多媒體音視頻數據并行聚類挖掘，得到原始的多媒體音視頻數據波形如圖3所示。

圖3 數據及干擾噪聲分布時域波形

以圖3的多媒體音視頻數據為研究對象樣本，建立物聯網多媒體音視頻數據的多載波分析模型，結合頻譜融合和連續細節特征分解方法進行物聯網多媒體音視頻數據特征提取，得到不同的小波系數下多媒體音視頻數據特征提取輸出，如圖4所示。

圖4 數據的分段特征提取輸出

分析圖4得知，采用該方法能有效實現對物聯網多媒體音視頻數據的分段檢測識別，具有很好的抗干擾性。根據特征提取結果，實現物聯網多媒體音視頻數據并行聚類挖掘，測試不同方法進行物聯網多媒體音視頻數據并行聚類挖掘的準確性，得到的對比結果見表1。分析得知，采用文中方法進行多媒體音視頻數據識別的準確性較高。

表1 多媒體音視頻數據識別的準確性對比

4 結束語

構建物聯網多媒體音視頻數據的自動測試和多媒體音視頻數據檢測模型，采用多媒體音視頻數據的優化識別技術，進行物聯網多媒體音視頻數據并行聚類挖掘，該文提出基于分段聚類的物聯網多媒體音視頻數據并行聚類挖掘方法。利用Welch法得到物聯網多媒體音視頻數據型號的功率譜密度，采用高分辨的連續功率譜密度重構方法，建立物聯網多媒體音視頻數據的多載波分析模型，對物聯網多媒體音視頻數據進行尺度和時延等參量估計，采用連續密度模糊分解方法，進行多媒體音視頻數據檢測識別，在互相關系數的轉折點，采用自相關匹配濾波檢測方法，實現多媒體音視頻數據譜密度特征量提取和連續細節特征融合分解分析，根據特征聚類結果，進行物聯網多媒體音視頻數據并行聚類挖掘。研究得知，采用該方法進行物聯網多媒體音視頻數據并行聚類挖掘的準確性較高，抗干擾性較好。