APP下载

基于连续细节特征分解的数据并行聚类挖掘

2022-05-10林潇鸿陆兴华马棉涛林佳茵

计算机技术与发展 2022年4期
关键词:音视频滤波特征提取

林潇鸿,陆兴华,马棉涛,林佳茵

(广东工业大学华立学院,广东 广州 511325)

0 引 言

随着现代信息和大数据处理技术的发展,对多媒体大数据的检测和识别的精度不断提高,在进行物联网多媒体音视频数据并行聚类挖掘过程中,受到多媒体音视频数据的类间干扰性的影响,导致对多媒体音视频数据的识别精度不高,需要构建物联网多媒体音视频数据的自动测试和多媒体音视频数据检测模型。采用多媒体音视频数据的优化识别技术,进行物联网多媒体音视频数据并行聚类挖掘,采用优化的多媒体音视频数据检测和特征识别技术,进行物联网多媒体音视频数据的检测优化[1],提取物联网多媒体音视频数据的统计特征量和相关功率谱特征量,通过特征聚类分析的方法,提高物联网多媒体音视频数据的识别性能[2]。

在物联网多媒体音视频数据并行聚类挖掘是建立多媒体音视频数据检测和特征提取的基础上,采用连续密度模糊特征分解方法,进行多媒体音视频数据检测和识别,由于多媒体音视频数据受到多媒体音视频数据传输的突变等因素的影响,导致对物联网多媒体音视频数据并行聚类挖掘的准确度不高。传统方法中,对物联网多媒体音视频数据并行聚类挖掘方法主要有时频特征分解方法、谱特征提取方法、自相关功率谱特征提取方法等[3-4],对物联网多媒体音视频数据进行自适应盲分离处理,对物联网多媒体音视频数据进行尺度和时延估计,实现多媒体音视频数据的优化检测,但传统方法进行多媒体音视频数据识别存在模糊度较大和计算复杂度高的问题。对此,该文提出基于分段聚类的物联网多媒体音视频数据并行聚类挖掘方法。首先对采集的物联网多媒体音视频数据进行分段检测和连续谱密度特征分解,然后采用子空间匹配降噪方法进行多媒体音视频数据的滤波提纯处理,根据特征聚类结果,进行物联网多媒体音视频数据并行聚类挖掘。最后进行仿真实验分析,展示了该方法在提高物联网多媒体音视频数据并行聚类挖掘能力方面的优越性能。

1 物联网多媒体音视频数据模型及滤波处理

1.1 物联网多媒体音视频数据模型

为了实现物联网多媒体音视频数据并行聚类挖掘,需要首先构建续密度物联网多媒体音视频数据模型,对采集的物联网多媒体音视频数据进行分段检测和连续谱密度特征分解。采用等波纹周期性检测的方法,进行物联网多媒体音视频数据的检测和识别,将物联网多媒体音视频数据的长度作为分段交叠的长度[5],采用等波纹周期性增强的方法,进行物联网多媒体音视频数据并行聚类挖掘,采用模糊特征聚类分析的方法,判断连续多媒体音视频数据的类别,对物联网多媒体音视频数据进行分段叠加。在最佳采样点nb处,得到多媒体音视频数据的长度fl,以fl作为时间窗口,采用重叠子载波的方法,得到物联网多媒体音视频数据长度l:

(1)

(2)

设物联网多媒体音视频数据为一组平稳的随机多媒体音视频数据,表示为x(t),结合时域和频域特征分解的方法,对x(t)进行本征模态分量估计,获取离散的物联网多媒体音视频数据x(n),采用高频本征模态分量滤波方法进行时频加窗处理,得到输出窗口函数为h(t),物联网多媒体音视频数据的频谱宽度为T=(2d+1)Ts,Fs=1/Ts。在混叠效应下,得到物联网多媒体音视频数据的频谱分解运算:

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

(3)

其中,a1,…,am为音频数据时间序列,b1,…,bm为视频数据时间序列,α1,α2,…,αm为时频参数序列,β1,β2,…,βm为关联维序列。在经对音视频数据多次叠加平均后,把Xp(u)进行滤波和阈值截断,可以表示为:

(4)

通过上述分析,构建了物联网多媒体音视频数据模型,对采集的物联网多媒体音视频数据进行分段检测和连续谱密度特征分解[5],如图1所示。

图1 物联网多媒体音视频数据检测模型

1.2 多媒体音视频数据滤波

采用子空间匹配降噪方法进行多媒体音视频数据的滤波提纯处理,建立物联网多媒体音视频数据的多载波分析模型,对物联网多媒体音视频数据进行尺度和时延等参量估计,得到物联网多媒体音视频数据参数估计值:

G(U|μk,∑k)=(2π)-d/2|∑k|-1/2×

(5)

根据物联网多媒体音视频数据随时间衰减的特性,提取高频分量中的有效多媒体音视频数据,对物联网多媒体音视频数据进行自适应盲分离处理[7]。假设带噪多媒体音视频数据为x(t),在任意时刻点,得到数据检测的匹配特征量:

(6)

根据物联网多媒体音视频数据特征分解结果,对待分解多媒体音视频数据进行m次滤波,得到滤波函数:

(7)

对极大、极小值进行三次样条插值,得到多媒体音视频数据的左波束输出为:

(8)

提取物联网多媒体音视频数据带噪多媒体音视频数据的高分辨谱特征量:

(9)

在噪声占主导的分量中,采用连续密度模糊分解方法,进行多媒体音视频数据检测识别,在互相关系数的转折点,采用自相关匹配滤波检测方法[8],得到物联网多媒体音视频数据的调制脉冲参量为:

(10)

根据物联网多媒体音视频数据的特征量进行模糊聚类和分段检测[9],得到各模态分量与原始多媒体音视频数据的相关系数记为:

k=0,1,…,N-1

(11)

其中,an表示变尺度偏移量,采用匹配滤波方法,进行多媒体音视频数据的滤波处理,得到平滑滤波输出满足:

(12)

(13)

对临界点之前的模态分量采用机器学习方法进行自适应寻优[10],得到物联网多媒体音视频数据并行聚类挖掘的模糊迭代式为:

j=1,2,…,J+1

(14)

根据各模态分量和原始多媒体音视频数据的互相关特征进行滤波处理和抗干扰设计[11],如果x=0,得到多媒体音视频数据滤波输出:

(15)

综上分析,构建匹配滤波检测器,如图2所示,在输入端输入含噪的物联网多媒体音视频数据,在输出端输出提纯的多媒体音视频数据分量。

图2 物联网多媒体音视频数据的滤波提纯结构图

2 物联网多媒体音视频数据并行聚类挖掘算法优化

2.1 物联网多媒体音视频数据特征提取

在上述进行物联网多媒体音视频数据的分段检测和连续谱密度特征分解的基础上,进行多媒体音视频数据识别,建立物联网多媒体音视频数据的多载波分析模型,结合频谱融合和连续细节特征分解方法进行物联网多媒体音视频数据特征提取,对物联网多媒体音视频数据进行有效特征量提取[12],采用连续密度特征分解方法,进行物联网多媒体音视频数据并行聚类挖掘,得到物联网多媒体音视频数据检测的最大波峰和波谷差值:

(16)

运用数据平滑处理的方法,进行物联网多媒体音视频数据并行聚类挖掘,得到多媒体音视频数据识别的阈值函数:

j=1,2,…,J+1

(17)

对临界点之前的物联网多媒体音视频数据特征分量进行分段聚类,得到分段融合聚类函数:

j=1,2,…,J+1

(18)

对含噪的物联网多媒体音视频数据进行自适应增强,得到每个子多媒体音视频数据进行自动匹配[13],基于时频分析和迭代检测的方法,得到物联网多媒体音视频数据的特征提取结果,表示如下:

(19)

其中,0≤k≤N-1,表示多媒体音视频数据的长度。

综上分析,结合频谱融合和连续细节特征分解方法进行物联网多媒体音视频数据特征提取,对提取的多媒体音视频数据谱密度特征量进行连续细节特征融合分解分析[14]。

2.2 特征聚类及多媒体音视频数据识别优化

采用双门限的方法进行物联网多媒体音视频数据识过程中的特征检测和识别,给出物联网多媒体音视频数据的谱密度特征量,采用关联特征匹配的方法,得到含噪的物联网多媒体音视频数据特征估计为:

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

(20)

对原始的物联网多媒体音视频数据使用WVD时频分解方法进行特征分解和聚类分析,建立物联网多媒体音视频数据的模糊特征聚类模型,得到优化的模糊聚类函数表示为:

G(w)=exp{-[log(ω/ω0)]2/2[log(σ/ω0)]2}

(21)

F={f1,f2,…,fn}

(22)

经离散正交小波分析方法得到物联网多媒体音视频数据的谱特征量为:

(23)

对提取的多媒体音视频数据谱密度特征量进行连续细节特征融合分解分析,根据特征聚类结果,进行物联网多媒体音视频数据并行聚类挖掘[15]。

3 仿真实验与结果分析

为了验证该方法在实现物联网多媒体音视频数据并行聚类挖掘中的应用性能,进行仿真实验分析。实验建立在Matlab 7仿真平台的基础上,对多媒体音视频数据序列检测的长度为1 024,分段样本序列长度为249,对多媒体音视频数据进行模糊分类识别样本带宽分布频率为12 kHz,离散采样率为36 kHz,物联网多媒体音视频数据的宽度为58 dB,干扰强度为-13 dB,自适应学习迭代为500。

根据上述仿真参量设定,物联网多媒体音视频数据并行聚类挖掘,得到原始的多媒体音视频数据波形如图3所示。

图3 数据及干扰噪声分布时域波形

以图3的多媒体音视频数据为研究对象样本,建立物联网多媒体音视频数据的多载波分析模型,结合频谱融合和连续细节特征分解方法进行物联网多媒体音视频数据特征提取,得到不同的小波系数下多媒体音视频数据特征提取输出,如图4所示。

图4 数据的分段特征提取输出

分析图4得知,采用该方法能有效实现对物联网多媒体音视频数据的分段检测识别,具有很好的抗干扰性。根据特征提取结果,实现物联网多媒体音视频数据并行聚类挖掘,测试不同方法进行物联网多媒体音视频数据并行聚类挖掘的准确性,得到的对比结果见表1。分析得知,采用文中方法进行多媒体音视频数据识别的准确性较高。

表1 多媒体音视频数据识别的准确性对比

4 结束语

构建物联网多媒体音视频数据的自动测试和多媒体音视频数据检测模型,采用多媒体音视频数据的优化识别技术,进行物联网多媒体音视频数据并行聚类挖掘,该文提出基于分段聚类的物联网多媒体音视频数据并行聚类挖掘方法。利用Welch法得到物联网多媒体音视频数据型号的功率谱密度,采用高分辨的连续功率谱密度重构方法,建立物联网多媒体音视频数据的多载波分析模型,对物联网多媒体音视频数据进行尺度和时延等参量估计,采用连续密度模糊分解方法,进行多媒体音视频数据检测识别,在互相关系数的转折点,采用自相关匹配滤波检测方法,实现多媒体音视频数据谱密度特征量提取和连续细节特征融合分解分析,根据特征聚类结果,进行物联网多媒体音视频数据并行聚类挖掘。研究得知,采用该方法进行物联网多媒体音视频数据并行聚类挖掘的准确性较高,抗干扰性较好。

猜你喜欢

音视频滤波特征提取
同步定位与建图特征提取和匹配算法研究
基于HP滤波与ARIMA-GARCH模型的柱塞泵泄漏量预测
基于改进自适应中值滤波的图像降噪方法*
聚焦“5G+音视频”融合发展 2019中国音视频产业大会深圳举办
广电总局等三部门联合发布 《网络音视频信息服务管理规定》
国家互联网信息办公室等三部门规范网络音视频信息服务
基于MED—MOMEDA的风电齿轮箱复合故障特征提取研究
青云QingCloud推出音视频转码服务
基于曲率局部二值模式的深度图像手势特征提取
基于非下采样剪切波变换与引导滤波结合的遥感图像增强