关联规则挖掘技术在运动视觉分析中的应用-钱增磊.doc

关联规则挖掘技术在运动视觉分析中的应用-钱增磊.doc

  1. 1、本文档共6页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
关联规则挖掘技术在运动视觉分析中的应用-钱增磊

关联规则挖掘技术在运动视觉分析中的应用 ——计算机技术 6121914014 钱增磊 ——研究方向:基于视频编解码的图像检索技术 由于本人的研究方向是视频编解码,以后研究的是利用H.264编码技术对视频目标的动态检索,所以本文以足球运动员和非运动员在观看比赛视频过程中的注视停留区域为挖掘对象,利用关联规则挖掘算法寻找不同对象的注视规律,以挖掘运动员和非运动员的视觉搜索策略,为视觉搜索的研究提供一种新方法和新思路。研究结果发现运动员存在视觉搜索模式,对不同的场景有不同的搜索模式,表明关联规则挖掘适合于对运动员视觉停留数据的进一步开发与利用,能够在更深一个层次上揭示运动员的视觉停留区域的规律,从而对于发现 运动员的视觉搜索策略具有较高的应用价值。 对抗性的运动项目需要运动员具备既快速又准确的预判和反应能力。由于运动员的视觉-运动能力高,所以他们比非运动员反应更快、更准确。比赛过程瞬息万变,运动员是怎样搜索视觉信息的呢?视觉-运动能力的相关研究越来越受到人们的关注数据挖掘(DM,Data Mining),也称为数据库中的知识发现,是数据库技术和机器学习等人工智能相结。以往这方面的研究大多采用一般统计学分析的方法如检验和方差分析等来分析运动员的不同特征及其他影响因素对视觉-运动能力的影响,但这些方法忽略了视觉信息在时间上连续性。 数据挖掘(DM,Data Mining),也称为数据库中的知识发现,是数据库技术和机器学习等人工智能相结合的产物,是一门新兴的数据智能分析技术。所谓数据挖掘就是从大量数据中提取和挖掘知识,可以通过自动或半自动的工具对大量的数据进行探索和分析,从中发现有意义的模式和规律。关联规则(Association Rules)是美国IBM Almaden Research Center的Rakensh Agrawal等人于 1993 年首次提出来的KDD研究的一个重要课题,是数据挖掘中的一种重要的挖掘技术。关联规则挖掘本质是从大量的数据中或对象间抽取关联性,它可以揭示数据间的依赖性,特别适合于时间序列数据。 因此根据注意线索自然时间序列特点, 本研究应用关联规则的挖掘方法, 运用时间序列模式进行研究,分别对足球运动员组和非运动员组视觉停留区域数据进行了分析,以挖掘运动员和非运动员的视觉搜索策略,从而达到对视觉注视数据的深层次开发与利用,并从中发现运动员搜索视觉信息的模式和规律,这对提高运动员训练与比赛水平有着重要的意义。同时该研究为视觉搜索的研究提供一种新方法和新思路。 一、实验内容 本研究制作了足球罚球点球和小场地3对 2 的视频片段,作为实验刺激材料,并利用眼动仪来收集实验对象观看视频时的注视区域数据。 1、关联技术挖掘规则 关联规则是如下形式的逻辑蕴涵:,其中A,B是项集,对于事务集D,,,。一般用两个参数描述关联规则的属性。 支持度(Support):支持度()=包含A和B的元组数/元组总数。支持度描述了A 和B这两个项集在所有事务中同时出现的概率。 可信度(Confidence):可信度即是“值得信赖性”,的可信度定义为:可信度() =包含A和B的元组数/包含A 的元组数;可信度表达的就是在出现项集A的事务集D中 ,项集B也同时出现的概率。 关联规则的挖掘问题就是在大型数据库中找出具有给定的最小支持度min sup和最小可信度min conf的关联规则。 关联规则挖掘的算法主要分成两个步骤: (1)找出存在于大型数据库中的所有频繁项集。项集X 的支持度最小支持度min sup,则称X为频繁项集。 (2) 利用频繁项集生成关联规则。对于每个频繁项集 X ,若,,且Confidence{}min conf,则构成关联规则。 第2 步比较容易,目前大多数研究集中在第1步上, Apriori算法最为经典: Apriori算法: Input: DB, min sup. Output: Result = 所有的频繁项集,和它们的支持度。 方法: Result:= {}; k:= 1; := 所有的1-项集 while()do begin 为每一个中的项集生成一个计数器; for(i=1; ; i++) begin /*所有DB中的记录T*/ 对第i个记录T支持的每一个中的项集,其计数器加1; end 中满足大于min sup的全体项集; 的支持度保留; Result := Result; := 所有的(k+1)-项中满足K-子集都在里的全体;

文档评论(0)

xjj2017 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档