發(fā)布時間：2018-10-16 18:37

【摘要】：隨著Internet的迅速發(fā)展，網絡已經深入到人們生活的眾多領域，成為了人們不可或缺的通訊工具、信息獲取工具及娛樂工具。Flash Movies作為一種新興的多媒體形式，是Internet中的重要組成元素，由于具有極強的藝術表現(xiàn)力、制作簡單、交互靈活、文件小、便于網絡傳播等諸多優(yōu)勢，在Internet中廣泛應用于游戲、動畫、MTV、廣告、教學課件，也作為文檔、PPT、視頻的容器出現(xiàn)，其數(shù)量不斷增長，成為目前十分重要的多媒體網絡信息資源。Flash Movies資源在教育領域所發(fā)揮的作用也越來越重要，一方面，互聯(lián)網技術的發(fā)展使得這些Flash Movies資源的發(fā)布與共享不再受時間、空間的限制，成為我們獲取這些資源的一個重要途徑；但另一方面，網絡資源的豐富且動態(tài)更新卻又使我們從中尋找需要的Flash Movies資源變得越來越困難。 Flash Movies資源作為教育資源建設的一個重要方面成為教育技術學的研究領域。面對網絡中越來越多的Flash Movies，如何管理才能使人們能夠準確而方便的找到自己想要的資源，成為一個引人注意的問題。解決這一問題的行之有效的方法就是對其進行分類，通過分類管理、分類檢索可以極大的提高管理的效率和檢索的效率。因此，本文通過對Flash Movies內容特征的分析和分類算法的研究，旨在建立一個基于內容的Flash Movies分類系統(tǒng)，實現(xiàn)對Flash Movies的自動分類管理。該分類系統(tǒng)選取了Flash Movies的14個類別特征項來標識一個Flash Movies的類型，這些特征項分別是文件大小、變形數(shù)、圖形數(shù)、文本數(shù)、聲音數(shù)、按鈕數(shù)、影片剪輯數(shù)、腳本數(shù)、幀數(shù)、游戲匹配度、動畫匹配度、MTV匹配度、課件匹配度和廣告匹配度，其中最后5項為文本特征項。這種選取方法既包含了Flash Movies的內容特征，又將文本特征納入到分類體系之中，實現(xiàn)了兩者的優(yōu)勢互補。該分類系統(tǒng)核心算法采用了較為成熟的BP神經網絡算法，BP神經網絡是一種按誤差反向傳播算法學習的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP神經網絡是對人腦的簡單模仿，但它仍具有兩個關鍵特征：第一，人工神經網絡與人腦一樣，都是由若干可計算單元高度連接構成的復雜網絡。第二，單元之間的連接和信息處理方式決定了網絡的功能。BP神經網絡通過樣本的訓練，學習獲得神經元之間連接的各項參數(shù)，主要是各連接權值和閾值，這就是神經網絡的學習過程。最后將要分類的Flash Movies的各特征項的值輸入到經過學習的BP神經網絡中，經過計算獲得其類別。 本文的研究工作和研究成果主要包括以下幾個方面： （1）搜索下載Internet上的Flash Movies，建立一個Flash Movies資源數(shù)據(jù)庫，分析數(shù)據(jù)庫中Flash Movies的類別特征元素及其屬性。 （2）提取Flash Movies關鍵詞的特征向量，計算Flash Movies與每一類的相似度，將相似度納入到Flash Movies的類別特征描述之中。 （3）研究設計了適合于對Flash Movies進行分類的算法。 （4）研究分析了關于BP神經網絡的改進算法。 （5）在理論研究的基礎上，完成了一個基于內容的Flash Movies分類系統(tǒng)，，并將其應用于Flash Movies的資源管理平臺。
[Abstract]:With the rapid development of Internet, the network has penetrated into many fields of people's life, becoming an indispensable communication tool, information acquisition tools and entertainment tools. As a new kind of multimedia form, Flash Movie is an important composing element in Internet. Because of its strong artistic expression, simple production, flexible interaction, small file, convenient network propagation and so on, it is widely used in games, animation, MTV, advertisement and teaching courseware in Internet. As a document, PPT, video container appears, its number is increasing, becomes the most important multimedia network information resource at present. The role of Flash Movie resources plays a more and more important role in the field of education. On the one hand, the development of Internet technology makes the publishing and sharing of these Flash Movie resources no longer limited by time and space, and becomes an important way for us to get these resources; but on the other hand, The rich and dynamic update of network resources makes it increasingly difficult for us to find the required Flash Movie resources. As an important aspect of the construction of educational resources, Flash Movie resources have become the research leader of educational technology In the face of more and more Flash movies in the network, how to manage can enable people to find their own resources accurately and conveniently, and become a noticeable question The effective way to solve this problem is to classify it. Through the classification, the efficiency and efficiency of management can be improved greatly by classification and retrieval. Therefore, through the research of the analysis and classification algorithm of Flash Movie content features, this paper aims to establish a content-based Flash Movie classification system, which can realize the automatic classification of Flash Movie. The classification system selects 14 category feature items of Flash Movie to identify the type of a Flash Movie, which are file size, number of deformation, number of graphics, number of text, number of sounds, number of buttons, number of movie clips, number of scripts, number of frames, match degree of game, animation match, degree, MTV matching degree, courseware matching degree and advertisement matching degree, wherein the last five items are text features The selection method not only contains the content features of Flash Movie, but also the text features into the classification system, and realizes the advantages of both. The BP neural network is a multi-layer feedforward network based on error backward propagation algorithm, which is the most widely used neural network model. One. BP neural network is a simple imitation of human brain, but it still has two key features: first, artificial neural network is the same as human brain, it is a complex network composed of several computing unit height connections. The connection between the second and second units and the information processing mode determine the work of the network Through training of samples, BP neural network learns the parameters of connection between neurons, which is mainly the value of each connection and the threshold, which is the learning of the neural network. and finally, inputting the values of each feature item of the Flash Moies to be classified into the learned BP neural network, Don't. The research work and research results of this paper mainly include the following: Aspect: (1) Search the Flash Movie on the Internet, set up a Flash Movie resource database, analyze the category feature elements of Flash Movie in the database and (2) extracting feature vectors of the Flash Movie keywords, calculating the similarity between the Flash Movie and each class, and integrating the similarity into the classes of the Flash Movie. Do not characterize. (3) The study is designed to be suitable for Flash Movi Algorithms for classifying es. (4) Study and analysis about The improved algorithm of BP neural network. (5) On the basis of theoretical research, a content-based Flash Movie classification system is completed and applied to Flash.
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：TP37

【相似文獻】

相關期刊論文 前10條

1 ;掌握Flash[J];個人電腦;2002年05期

2 s22;Flash Loading的設計與編碼[J];電腦知識與技術;2003年03期

3 孫立群,易絢文;用Flash制作交互式的C語言遠程教育課件[J];現(xiàn)代計算機;2003年08期

4 驕陽似火;給BIOS請個“保護神”——IOSS RD1 BIOS Savior[J];電腦;2004年09期

5 飄零雪;FlashFXP無法續(xù)傳的解決[J];電腦愛好者;2004年10期

6 ;十大最動人心扉情感Flash MV[J];網絡與信息;2005年05期

7 ;彩亮登場——flash開場小動畫[J];電腦校園;2005年03期

8 羅煜;學做Flash交互動畫[J];計算機周刊;1999年35期

9 公孫小白;精彩的Flash世界(上)[J];電腦愛好者;1999年15期

10 劉開南;Flash5亮點一瞥[J];多媒體世界;2000年11期

相關會議論文 前10條

1 侯艷芳;馮紅梅;;基于神經網絡的調制識別算法的研究[A];武漢(南方九省)電工理論學會第22屆學術年會、河南省電工技術學會年會論文集[C];2010年

2 沈建榮;楊林泉;陳琳;;神經網絡的穩(wěn)定性判據(jù)與區(qū)域經濟結構調整[A];系統(tǒng)工程與可持續(xù)發(fā)展戰(zhàn)略——中國系統(tǒng)工程學會第十屆年會論文集[C];1998年

3 石山銘;李富蘭;丁俊麗;;神經網絡的知識獲取[A];全國青年管理科學與系統(tǒng)科學論文集（第1卷）[C];1991年

4 吳清烈;徐南榮;;基于神經網絡的一種多目標決策方法[A];復雜巨系統(tǒng)理論·方法·應用——中國系統(tǒng)工程學會第八屆學術年會論文集[C];1994年

5 李曉鐘;汪培莊;羅承忠;;神經網絡與模糊邏輯[A];中國系統(tǒng)工程學會模糊數(shù)學與模糊系統(tǒng)委員會第五屆年會論文選集[C];1990年

6 房育棟;余英林;;高階自組織映射及其學習算法[A];1995年中國控制會議論文集（上）[C];1995年

7 王曉曄;杜朝輝;呂德忠;劉建峰;;神經網絡模糊控制在溫度控制系統(tǒng)中的應用[A];1997中國控制與決策學術年會論文集[C];1997年

8 金龍;吳建生;;基于遺傳算法的神經網絡短期氣候預測模型(摘要)[A];新世紀氣象科技創(chuàng)新與大氣科學發(fā)展——中國氣象學會2003年年會“氣候系統(tǒng)與氣候變化”分會論文集[C];2003年

9 申偉;張元培;;基于MATLAB的自適應神經網絡模糊系統(tǒng)(ANFIS)的應用[A];《制造業(yè)自動化與網絡化制造》學術交流會論文集[C];2004年

10 田艷兵;;BP算法和PSO算法在神經網絡中的研究[A];第二十九屆中國控制會議論文集[C];2010年

相關重要報紙文章 前10條

1 遼寧 鳴澗;FlashFXP技巧二則[N];電腦報;2004年

2 江蘇 吳小榮;讓Flash遍地開花[N];中國電腦教育報;2001年

3 天津 王志明;Flash下載辦法多（上）[N];電腦報;2003年

4 天津 王志明;Flash下載辦法多（下）[N];電腦報;2003年

5 武漢 周愛華;郵件檢測下載工具——FlashCheck[N];電腦報;2001年

6 ;在Flash中使用ASP[N];電腦報;2001年

7 葉紫;動畫制作的Flash時代[N];中國電腦教育報;2001年

8 ;筷子上的Flash精靈[N];中國電腦教育報;2002年

9 河北省黃驊市完全小學 王憲東;Flash Mx 2004中聲音的調用[N];中國電腦教育報;2004年

10 河北 廉育功;Flash 5的十個高招[N];電腦報;2001年

相關博士學位論文 前10條

1 劉志祥;深部開采高階段尾砂充填體力學與非線性優(yōu)化設計[D];中南大學;2005年

2 戴雪龍;PET探測器神經網絡定位方法研究[D];中國科學技術大學;2006年

3 馬戎;智能控制技術在煉鋼電弧爐中的應用研究[D];西北工業(yè)大學;2006年

4 文敦偉;面向多智能體和神經網絡的智能控制研究[D];中南大學;2001年

5 吳大宏;基于遺傳算法與神經網絡的橋梁結構健康監(jiān)測系統(tǒng)研究[D];西南交通大學;2003年

6 杜文斌;基于神經網絡的冠心病證候診斷標準與藥效評價模型研究[D];遼寧中醫(yī)學院;2004年

7 熊雪梅;參數(shù)化模糊遺傳神經網絡及在植物病害預測的應用[D];南京農業(yè)大學;2004年

8 李智;電站鍋爐燃燒系統(tǒng)優(yōu)化運行與應用研究[D];東北大學;2005年

9 王承;基于神經網絡的模擬電路故障診斷方法研究[D];電子科技大學;2005年

10 譚陽紅;基于小波和神經網絡的大規(guī)模模擬電路故障診斷研究[D];湖南大學;2005年

相關碩士學位論文 前10條

1 楊立儒;基于神經網絡的電路故障診斷的研究與實現(xiàn)[D];解放軍信息工程大學;2010年

2 劉蘭蘭;基于神經網絡和遺傳算法的H型鋼粗軋工藝參數(shù)優(yōu)化研究[D];山東大學;2011年

3 田鵬明;基于神經網絡的振動主動控制研究[D];太原理工大學;2012年

4 姜宇;發(fā)動機裂解設備故障診斷技術的研究[D];吉林大學;2012年

5 羅楠;Flash動畫宣傳片《CG畫廊》的設計與實現(xiàn)[D];山東大學;2010年

6 邢遠凱;基于決策樹和遺傳算法的神經網絡研究及應用[D];浙江大學;2010年

7 高寶建;基于神經網絡的月降水預報模型在洪澤湖的應用研究[D];南京信息工程大學;2012年

8 陳少華;基于Hopfield神經網絡控制系統(tǒng)的研究[D];山東科技大學;2010年

9 來建波;基于神經網絡的路段行程時間預測研究[D];云南大學;2011年

10 閆超;基于BP神經網絡的煤礦深埋硐室軟巖流變參數(shù)反演分析[D];安徽理工大學;2011年

本文編號：2275272