多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)挖掘方法研究

任高舉，白亞男（平頂山學(xué)院 計算機學(xué)院，河南 平頂山　467000）

多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)挖掘方法研究

任高舉，白亞男
（平頂山學(xué)院 計算機學(xué)院，河南 平頂山467000）

對多媒體教學(xué)系統(tǒng)中特定關(guān)鍵數(shù)據(jù)進行準(zhǔn)確挖掘，可以提高多媒體智能教學(xué)系統(tǒng)的信息兼容和數(shù)據(jù)訪問能力。傳統(tǒng)方法采用經(jīng)驗?zāi)B(tài)特征分解方法進行數(shù)據(jù)挖掘，當(dāng)多媒體智能教學(xué)系統(tǒng)數(shù)據(jù)規(guī)模的擴大、信息融合度的提高時，數(shù)據(jù)挖掘的準(zhǔn)確度下降。提出一種基于尺度仿射變換和特定數(shù)據(jù)信息流相空間重構(gòu)的數(shù)據(jù)挖掘算法，首先建立多媒體智能教學(xué)系統(tǒng)的數(shù)據(jù)分布結(jié)構(gòu)模型，采用尺度仿射變換對數(shù)據(jù)進行信息融合處理，對融合后的數(shù)據(jù)信息流進行相空間重構(gòu)，在重構(gòu)的高維相空間中提取多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的高階矩特征，實現(xiàn)對特征數(shù)據(jù)的準(zhǔn)確挖掘。仿真結(jié)果表明，采用該方法進行數(shù)據(jù)挖掘的準(zhǔn)確識別概率較高，抗干擾性能較強。

多媒體；教學(xué)系統(tǒng)；數(shù)據(jù)挖掘；相空間重構(gòu)

數(shù)據(jù)挖掘包括數(shù)據(jù)特征提取和數(shù)據(jù)采集，是通過數(shù)據(jù)特征提取方法對用戶所需信息進行檢索識別，達到數(shù)據(jù)高效利用的目的。多媒體智能教學(xué)系統(tǒng)中大數(shù)據(jù)包含課程的分類信息、多媒體圖像信息、教學(xué)內(nèi)容信息等，對多媒體智能教學(xué)系統(tǒng)大數(shù)據(jù)中的特定數(shù)據(jù)和關(guān)鍵信息進行準(zhǔn)確挖掘，可以提高教學(xué)系統(tǒng)的使用效率和數(shù)據(jù)調(diào)度訪問能力，具有重要意義，受到相關(guān)專家學(xué)者的普遍重視。

傳統(tǒng)算法對多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的特征提取和挖掘主要采用基于時頻分析的數(shù)據(jù)挖掘算法、基于經(jīng)驗?zāi)B(tài)分解的多媒體智能教學(xué)信息數(shù)據(jù)挖掘算法、基于譜特征提取的多媒體智能教學(xué)系統(tǒng)特定數(shù)據(jù)挖掘算法等［1-3］，這些方法通過建立多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的特征提取模型，在此基礎(chǔ)上進行時頻特征、經(jīng)驗?zāi)B(tài)特征和高階譜等特征信息的提取和抗干擾分析。但傳統(tǒng)算法進行數(shù)據(jù)挖掘時，將數(shù)據(jù)信息流看作一組嚴(yán)平穩(wěn)的線性時間序列，忽視了數(shù)據(jù)信息流中的非線性特征，導(dǎo)致數(shù)據(jù)挖掘中受到的干擾較大，降低了挖掘的準(zhǔn)確性［4-5］。因此，相關(guān)文獻進行了算法的改進，其中，文獻［6］提出一種基于多傳感組網(wǎng)時頻特征盲分離和高斯級聯(lián)濾波的多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)挖掘和特征提取算法，通過提取多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)時頻特征，通過子空間降維實現(xiàn)數(shù)據(jù)挖掘和數(shù)據(jù)庫的優(yōu)化訪問，但該算法計算開銷較大，收斂性差；文獻［7］提出一種基于分?jǐn)?shù)階傅里葉變換和高階累積量后置聚焦的多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)挖掘算法，采用雙門限能量挖掘進行多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的波束特征提取，提高數(shù)據(jù)挖掘的指向性，但該方法挖掘精度較差；文獻［8］采用經(jīng)驗?zāi)B(tài)特征分解方法進行數(shù)據(jù)挖掘，但當(dāng)多媒體智能教學(xué)系統(tǒng)數(shù)據(jù)規(guī)模的擴大、信息融合度的提高時，數(shù)據(jù)挖掘的準(zhǔn)確度下降［9-10］。

針對上述問題，本文提出一種基于尺度仿射變換和特定數(shù)據(jù)信息流相空間重構(gòu)的數(shù)據(jù)挖掘算法，并通過相關(guān)實驗進行了性能測試。

1　多媒體智能教學(xué)系統(tǒng)的數(shù)據(jù)分布結(jié)構(gòu)模型建立與信息融合處理

1.1多媒體智能教學(xué)系統(tǒng)的數(shù)據(jù)分布結(jié)構(gòu)模型建立

為了實現(xiàn)對多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的挖掘，首先需要進行數(shù)據(jù)結(jié)構(gòu)分析和數(shù)據(jù)融合預(yù)處理。本文研究對象為跨平臺網(wǎng)絡(luò)環(huán)境下的多媒體遠(yuǎn)程教學(xué)系統(tǒng)，以該系統(tǒng)用戶在所有終端和位置的服務(wù)器的高速運算和數(shù)據(jù)管理結(jié)果為依據(jù)，對模型內(nèi)的數(shù)據(jù)結(jié)構(gòu)進行分析，假設(shè)代表模型中多媒體智能教學(xué)系統(tǒng)中數(shù)據(jù)感知層中任一節(jié)點，即v∈V，e代表多媒體教學(xué)系統(tǒng)的應(yīng)用業(yè)務(wù)層的任一連邊，e∈E，多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)源就是采用連邊-節(jié)點的形式分布在系統(tǒng)的數(shù)據(jù)管理陣元中，其中數(shù)據(jù)傳輸?shù)墓?jié)點幀分為N×N單位線列陣，信道帶寬為Ts=KbTf。假設(shè)VMj代表嵌入式多媒體智能教學(xué)系統(tǒng)數(shù)據(jù)庫中信息流矢量長度，E｛［X-E（X）］［YE（Y）］｝為模糊分類隨機變量X與Y的協(xié)方差，記為Cov（X，Y），對多媒體智能教學(xué)系統(tǒng)中的數(shù)據(jù)存儲模型屬性權(quán)重進行自適應(yīng)學(xué)習(xí)，在多層矢量自回歸特征空間中構(gòu)建數(shù)據(jù)庫中的特定數(shù)據(jù)分布的矢量場X，在多媒體智能教學(xué)系統(tǒng)中，局部離群點會產(chǎn)生交叉型數(shù)據(jù)集，通過公式（1）建立特定數(shù)據(jù)挖掘中的局部離群點信息流模型：

其中，wu，v表示多媒體智能教學(xué)系統(tǒng)的網(wǎng)絡(luò)簇內(nèi)節(jié)點u 和v之間的權(quán)值，|S|指無向圖 S中的數(shù)據(jù)特征交叉性結(jié)點數(shù)。本文利用上述離群點信息流模型，構(gòu)建一組有交集的稠密子圖，用來反映多媒體智能教學(xué)系統(tǒng)中的交叉型數(shù)據(jù)集特征，并提取多媒體智能教學(xué)系統(tǒng)中特定大數(shù)據(jù)信息流的時間序列｛x（t0+iΔt）｝，i=0，1，L，N-1，假設(shè)A=｛a1，a2，…，an｝代表多媒體智能教學(xué)系統(tǒng)特定數(shù)據(jù)特征矢量的模糊聚類中心，利用模糊聚類中心對特定數(shù)據(jù)的差異屬性進行分類，建立跨平臺網(wǎng)絡(luò)應(yīng)用支撐層下的多媒體智能教學(xué)系統(tǒng)中的數(shù)據(jù)分布結(jié)構(gòu)的無向圖模型G=（V，E），即多媒體智能教學(xué)系統(tǒng)的數(shù)據(jù)分布結(jié)構(gòu)圖模型，如圖1所示。

1.2數(shù)據(jù)的信息融合處理

在上述數(shù)據(jù)結(jié)構(gòu)分析的基礎(chǔ)上，文中采用尺度仿射變換對數(shù)據(jù)進行信息融合處理，具體步驟如下：

采用連續(xù)小波變換對上述模型中分布的特定數(shù)據(jù)進行經(jīng)驗?zāi)B(tài)特征分解，得到一組表征多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)內(nèi)部細(xì)節(jié)特征的時間尺度a和時間平移b的二維函數(shù)，利用公式（2）在二維投影面上對多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)進行概率特征分解：

圖1　多媒體智能教學(xué)系統(tǒng)的數(shù)據(jù)分布結(jié)構(gòu)圖模型

假設(shè)，rk（v+1）為采集的多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)非線性時間序列，parity（qp（z））代表數(shù)據(jù)采樣的母小波，當(dāng)采集的多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)x（k）=s（k）+w（k）為準(zhǔn)平穩(wěn)隨機信息流時，利用公式（3）獲取特征數(shù)據(jù)在教學(xué)系統(tǒng)數(shù)據(jù)庫分布的邊緣子帶層位信息：

利用公式（4）計算隨機選擇k個均勻分布在邊緣子帶層位的多媒體特定數(shù)據(jù)分布概率：

根據(jù)多媒體特定數(shù)據(jù)分布概率，對分布概率較大的數(shù)據(jù)進行尺度仿射變換，建立有限的信噪比下數(shù)據(jù)挖掘的信息融合模型：

其中，U（a，b）是多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的時域部分的分?jǐn)?shù)階Fourier變換，因子保證了該分?jǐn)?shù)階Fourier變換的能量歸一化，通過上述處理，實現(xiàn)了對多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的信息融合。

2　特定數(shù)據(jù)挖掘算法改進設(shè)計與實現(xiàn)

在上述分析了多媒體智能教學(xué)系統(tǒng)的數(shù)據(jù)分布結(jié)構(gòu)模型，采用尺度仿射變換對數(shù)據(jù)進行信息融合處理的基礎(chǔ)上，進行數(shù)據(jù)挖掘算法改進設(shè)計，通過對多媒體教學(xué)系統(tǒng)中的特定關(guān)鍵數(shù)據(jù)進行準(zhǔn)確的信息特征提取和挖掘，提高多媒體智能教學(xué)系統(tǒng)的信息兼容和數(shù)據(jù)訪問能力。文中提出一種基于尺度仿射變換和特定數(shù)據(jù)信息流相空間重構(gòu)的數(shù)據(jù)挖掘算法，實現(xiàn)步驟如下：

假設(shè)多媒體智能教學(xué)系統(tǒng)中的特定數(shù)據(jù)融合最優(yōu)權(quán)系數(shù)β、懲罰因子C，利用公式（6）構(gòu)建特定數(shù)據(jù)前饋增益調(diào)節(jié)均方差函數(shù)：

多媒體智能教學(xué)系統(tǒng)中的數(shù)據(jù)管理通多分布式數(shù)據(jù)庫模型而實現(xiàn)，在分布式數(shù)據(jù)庫集成了大量的云數(shù)據(jù)，需要利用前饋增益調(diào)節(jié)均方差函數(shù)對多媒體智能教學(xué)系統(tǒng)中分布式數(shù)據(jù)庫中的云數(shù)據(jù)進行結(jié)構(gòu)優(yōu)化，提高數(shù)據(jù)信息挖掘的準(zhǔn)確性和效率，并利用公式（7）的相空間重構(gòu)方法進行特定數(shù)據(jù)流信息高頻成分的衰減特性分解：

在完成高頻成分的衰減特性分解后，利用多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的多維相空間的指向性波束特征，利用公式（8）獲取多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)幅頻響應(yīng)特征的非均勻采樣輸出：

其中，τ為特定數(shù)據(jù)信息流的相空間重構(gòu)采樣時延，ck為相空間重構(gòu)的嵌入維數(shù)，φ為采樣間隔的相位差，bk為空間指向性增益調(diào)節(jié)系數(shù)。在非均勻采樣輸出結(jié)果中，假設(shè)y（k）為多維參量混合估計后得到的多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的近似統(tǒng)計平均，根據(jù)高斯隨機線性分離特定數(shù)據(jù)的不變特性，在高維相空間中對特征數(shù)據(jù)進行特定數(shù)據(jù)不變特征挖掘，提高信號的頻域聚焦能力，利用公式（9）獲取多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的時移不變特性和頻移不變性特征：

其中，x（t）為原始數(shù)據(jù)的奇異值分解結(jié)果，t0為初始采樣時間點，Wy（t，v）為觀測向量，v0為特定數(shù)據(jù)的功率譜密度，v為教學(xué)系統(tǒng)中數(shù)據(jù)受到干擾的強度，通過上述分析，利用公式（10）在時間尺度上對特定數(shù)據(jù)的時移不變特性和頻移不變性特征進行迭代求解：

奇異值進行分解后，可以利用公式（12）對重構(gòu)的高維相空間中提取多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的高階矩特征：

其中，多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的高階矩特征可以很大程度的反映特定數(shù)據(jù)特征，通過對高階矩特征的定位，即可實現(xiàn)實現(xiàn)多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)挖掘。

3　仿真實驗與結(jié)分析

為了測試本文算法在實現(xiàn)多源多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的特征提取和挖掘中的性能，進行仿真實驗。仿真實驗的硬件環(huán)境采用個人PC機，配置參數(shù)為：CPU 3.0G，12G內(nèi)存，操作系統(tǒng)為Windows 7。采用Matlab 7數(shù)學(xué)仿真語言進行算法設(shè)計與實現(xiàn)，多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)樣本測試集采集于某大型遠(yuǎn)程多媒體教學(xué)系統(tǒng)。多媒體智能教學(xué)系統(tǒng)的樣本數(shù)據(jù)的采集過程中，測試樣本集合的平均采樣率為fs=10*f0Hz=10 kHz，多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的訓(xùn)練樣本長度為1 024，對多媒體智能教學(xué)系統(tǒng)數(shù)據(jù)庫的訪問次數(shù)為189 283次，自適應(yīng)迭代步長參數(shù)u=0.000 2，教學(xué)系統(tǒng)中其他數(shù)據(jù)的干擾為n（k）＝nr（k）＋jni（k），全局迭代次數(shù)為500次，干擾數(shù)據(jù)信息的離散樣本數(shù)為990，通過上述數(shù)據(jù)采集結(jié)果進行多媒體教學(xué)系統(tǒng)中的數(shù)據(jù)信息模型構(gòu)建，得到多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)采樣的帶寬B=1 000 Hz，相空間重構(gòu)的嵌入維數(shù)m為30，時延為12，根據(jù)上述仿真環(huán)境，得到多媒體智能教學(xué)系統(tǒng)中數(shù)據(jù)訓(xùn)練樣本采集的頻域圖如圖2所示。

圖2　多媒體智能教學(xué)系統(tǒng)中數(shù)據(jù)訓(xùn)練樣本采集的頻域圖

采用尺度仿射變換對數(shù)據(jù)進行信息融合處理，對融合后的數(shù)據(jù)信息流進行相空間重構(gòu)，得到相空間重構(gòu)后的數(shù)據(jù)分布時頻圖如圖3所示。

圖3　融合后的數(shù)據(jù)信息流相空間重構(gòu)結(jié)果

通過上述仿真結(jié)果可見，數(shù)據(jù)融合后的數(shù)據(jù)信息流相空間頻譜特征指向性明顯，旁瓣抑制性能較高，通過相空間重構(gòu)，提高了特定數(shù)據(jù)在高維空間中的頻譜分解和抗干擾能力，在重構(gòu)的高維相空間中提取多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的高階矩特征，實現(xiàn)數(shù)據(jù)挖掘。為了對比算法性能，采用本文方法和傳統(tǒng)方法，以數(shù)據(jù)挖掘的準(zhǔn)確度為測試指標(biāo)，得到仿真對比結(jié)果如圖4所示，從圖可見，采用本文算法進行數(shù)據(jù)挖掘的準(zhǔn)確識別率較傳統(tǒng)方法高很多，展示了較好的性能。

圖4　數(shù)據(jù)挖掘準(zhǔn)確識別率

4　結(jié)束語

對多媒體智能教學(xué)系統(tǒng)大數(shù)據(jù)中的特定數(shù)據(jù)和關(guān)鍵信息進行準(zhǔn)確挖掘，提高教學(xué)系統(tǒng)的使用效率和數(shù)據(jù)調(diào)度訪問能力。文中提出一種基于尺度仿射變換和特定數(shù)據(jù)信息流相空間重構(gòu)的數(shù)據(jù)挖掘算法，對融合后的數(shù)據(jù)信息流進行相空間重構(gòu)，在重構(gòu)的高維相空間中提取多媒體智能教學(xué)系統(tǒng)中特定數(shù)據(jù)的高階矩特征，實現(xiàn)數(shù)據(jù)挖掘優(yōu)化。仿真結(jié)果表明，采用該算法進行數(shù)據(jù)挖掘的準(zhǔn)確性好，收斂度較高，展示了較好的應(yīng)用價值。

第三，通過完善“互聯(lián)網(wǎng)+”的建設(shè)，使基礎(chǔ)信息數(shù)據(jù)具有整合性的特質(zhì)，從而保證數(shù)據(jù)的方向型傳輸。進而使數(shù)據(jù)的收集、數(shù)據(jù)的運用、數(shù)據(jù)的儲存能在校園數(shù)據(jù)庫中進行整合、分析和處理。特別是需要根據(jù)“互聯(lián)網(wǎng)+”的功能分層做出相應(yīng)調(diào)研，使教學(xué)、管理和信息的傳遞功能不會因數(shù)據(jù)的混亂而造成整合發(fā)生偏差。

［1］張萌，張滬寅，葉剛.延遲時間和嵌入維數(shù)聯(lián)合優(yōu)化的網(wǎng)絡(luò)流量預(yù)測［J］.計算機工程與應(yīng)用，2014，50（4）:103-109.

［2］徐曉斌，張光衛(wèi)，孫其博，等.一種誤差可控傳輸均衡的WSN數(shù)據(jù)融合算法［J］.電子學(xué)報，2014，42（6）:1205-1209.

［3］吳鴻華，穆勇，屈忠鋒，等.基于面板數(shù)據(jù)的接近性和相似性關(guān)聯(lián)度模型［J］.控制與決策，2016，31（3）:555-558.

［4］劉經(jīng)南，方媛，郭遲，等.位置大數(shù)據(jù)的分析處理研究進展［J］.武漢大學(xué)學(xué)報·信息科學(xué)版，2014，39（4）:379-385.

［5］王睿.一種基于回溯的Web上應(yīng)用層DDOS檢測防范機制［J］.計算機科學(xué)，2013，40（11A）:175-177.

［6］Wang J，Li M，Chen J，Pan Y:A Fast Hierarchical Clustering Algorithm for Functional Modules Discovery in Protein Interaction Networks［J］.Computational Biology and Bioinformatics，IEEE/ACM Transactions on，2011，8（3）:607-620.

［7］Nepusz T，Yu H and Paccanaro A:Detecting overlapping protein complexes in protein-protein interaction networks［J］. Nature Methods，2012，9（5）:471-475.

［8］王銳，何聚厚.基于領(lǐng)域本體學(xué)習(xí)資源庫自動構(gòu)建模型研究［J］.電子設(shè)計工程，2015（24）:32-35.

［9］王衛(wèi)民，葉秋菊，賀文麗，等.基于GIS的氣象時空數(shù)據(jù)挖掘和融合技術(shù)［J］.電子科技，2014（2）:130-133.

［10］王慧敏，賀興時，牛四強.數(shù)據(jù)挖掘在高校圖書館中的應(yīng)用［J］.西安工程大學(xué)學(xué)報，2014，28（2）:241-245.

【相關(guān)參考文獻鏈接】

郎振紅.面向云計算改進的遠(yuǎn)程教學(xué)系統(tǒng)的研究［J］.2014，22 （17）:4-37.

李小寧.一種個性化網(wǎng)絡(luò)輔助音樂教學(xué)系統(tǒng)設(shè)計［J］.2015，23 （15）:156-158.

趙明.智能體育教學(xué)系統(tǒng)的設(shè)計與實現(xiàn)［J］.2015，23（11）:45-47.

李軍林.基于三維圖像技術(shù)的高校體育多媒體教學(xué)平臺設(shè)計［J］. 2015，23（15）:172-173.

屈毅博.基于流媒體技術(shù)的遠(yuǎn)程英語教學(xué)系統(tǒng)設(shè)計［J］. 2015，23（15）:159-161.

任鎖平.基于數(shù)據(jù)挖掘的高職教學(xué)質(zhì)量監(jiān)控評價系統(tǒng)設(shè)計及應(yīng)用［J］.2015，23（16）:25-27.

劉一鷗，李艷紅.教學(xué)資源信息庫的建設(shè)與實現(xiàn)［J］.2015，23 （17）:32-35.

王洪敏.網(wǎng)絡(luò)教學(xué)集成平臺的功能框架與功能分析［J］. 2014，22（12）:23-25.

閆朝升，李丹.基于OLAP的教學(xué)質(zhì)量分析系統(tǒng)設(shè)計與實現(xiàn)［J］. 2015，23（14）:12-14.

翁省輝，吳方.定時關(guān)機程序在C語言教學(xué)中的應(yīng)用［J］.2015，23 （15）:16-18.

楊嵐.基于云計算技術(shù)的藝術(shù)設(shè)計專業(yè)輔助教學(xué)系統(tǒng)設(shè)計與實現(xiàn)［J］.2015，23（17）:135-136.

Research on specific data mining methods in multimedia intelligent tutoring system

REN Gao-ju，BAI Ya-nan
（Computer College，Pingdingshan University，Pingdingshan 467000，China）

The multimedia teaching system in particular key data are accurate，could improve the compatibility and multimedia intelligent teaching system of information data access capabilities.The traditional method using empirical mode decomposition method for data mining，when the scale enlargement of multimedia data intelligent teaching system，the improvement of information alignment，the accuracy of data mining.In this paper，a criterion based on affine transformation and specific data stream data mining algorithm of phase space reconstruction，multimedia intelligent teaching system established by the structure model of the distribution of data of the data by dimensional affine transform information fusion processing，phase space reconstruction was carried out on the merged data traffic，in higher dimensional phase space reconstruction to extract the smart multimedia teaching systems of higher order moments of the specific data in feature，realize the characteristic data of accurate mining.The simulation results show that by using this method to the accuracy of the data mining to identify probability is higher，anti-interference performance is stronger.

multimedia；teaching system；data mining；phase space reconstruction

TP391

A

1674－6236（2016）11-0004-04

2016-03-18稿件編號：201603240

國家“863”計劃基金資助項目（20167AA01Z146）；2014年度河南省科技計劃項目（142102210226）

任高舉（1979—），男，河南葉縣人，碩士研究生，助教。研究方向：數(shù)據(jù)挖掘、人工智能。