基于混沌关联维与决策树的运动数据分类研究

运动数据能够为运动的监测与管理提供指导依据,由于采集设备的差异导致运动数据表现出多源、混沌、非规则等特征,现有运动数据分类方法在准确性和效率等方面仍有欠缺,因此提出了基于混沌关联维与决策树的运动数据分类方法。首先构建运动数据相空间,利用时间的自相关与互信息来确定最优混沌延时,利用虚假临界点的条件约束确定最优嵌入维度;根据相空间内存在的关联相点对数量,计算得到关联积分,从而完成数据特征提取。然后针对运动数据的高维属性设计多参决策树,根据信息增益与增益率评价确定分裂规则,根据熵期望确定最优分裂点。最后通过轮廓相似性判断数据所属类别,完成运动数据分类。基于WEKA平台的仿真结果,验证所提方法显著提高了运动数据分类的准确性,准确度达到81.47%,灵敏度达到83.92%,降低了错误分类概率,不合度仅为19.46%;另外,决策树规模与叶子数量的降低,以及吞吐量结果均表明方法具有良好的数据处理速度,有效提升了数据分类效率。