申请/专利权人：长春大学

申请日：2024-02-19

公开（公告）日：2024-03-22

公开（公告）号：CN117743611A

主分类号：G06F16/45

分类号：G06F16/45;G06F18/23213;G06F18/241;G06F18/2415;G06F18/243;G06N20/20;G06N3/042;G06N3/0464;G06N3/048;G06N3/08;G06N7/01

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明涉及内容识别技术领域，具体为一种数字媒体内容自动分类系统，系统包括关系图构建模块、仿真内容生成模块、动态内容分析模块、规则学习与匹配模块、预测性分类模块、异常内容识别模块、序列内容分析模块、综合分类决策模块。本发明中，通过应用图卷积网络算法，增强媒体内容间关系的表达，提高关系图精度，生成对抗网络的运用优化内容样本真实性，提升仿真逼真度，时空图卷积网络结合分析视频音频流的动态变化，增强动态内容分析，动态贝叶斯网络提高时序数据分类预测能力，孤立森林与局部异常因子算法结合增强异常内容识别，时间延迟嵌入技术提高序列内容分析准确性，集成学习方法优化分类决策过程，提升分类综合准确率。

主权项：1.一种数字媒体内容自动分类系统，其特征在于，所述系统包括关系图构建模块、仿真内容生成模块、动态内容分析模块、规则学习与匹配模块、预测性分类模块、异常内容识别模块、序列内容分析模块、综合分类决策模块；所述关系图构建模块基于媒体内容项，采用图卷积网络算法，通过构建邻接矩阵来表示内容项之间的关系，利用节点特征提取方法来获取内容项的特征信息，并通过层级聚合技术来构建完整的媒体元素互联网络，生成内容关系图；所述仿真内容生成模块基于内容关系图，采用生成对抗网络算法，通过生成器设计创建媒体内容样本，利用判别器设计评估生成内容的真实性，通过对抗训练过程持续优化样本的质量，生成仿真内容样本；所述动态内容分析模块基于仿真内容样本，采用时空图卷积网络，结合空间域的图卷积处理和时间域的一维卷积处理，分析视频和音频流中的时空动态变化，生成动态内容分析结果；所述规则学习与匹配模块基于动态内容分析结果，采用决策树融合算法，结合随机森林算法和梯度提升决策树的技术，动态学习和更新分类规则，匹配内容特征的变化，生成适应性分类规则；所述预测性分类模块基于适应性分类规则，采用动态贝叶斯网络算法，进行时序数据的概率建模，通过动态参数更新技术，对媒体内容的潜在类别进行预测，生成预测性分类结果；所述异常内容识别模块基于预测性分类结果，采用异常值检测算法，运用孤立森林算法和局部异常因子算法对内容进行分析，识别非主流的媒体内容，生成异常内容识别结果；所述序列内容分析模块基于异常内容识别结果，采用时间延迟嵌入技术，通过基于时间序列的空间重构技术，分析音频或视频内容的时间序列变化，生成序列内容分析结果；所述综合分类决策模块基于序列内容分析结果，采用集成学习方法，进行多模型结果的融合，通过最优决策选取策略，对媒体内容进行最终分类，生成综合分类决策。

全文数据：

权利要求：

百度查询： 长春大学 一种数字媒体内容自动分类系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD