多載體圖書信息鄰近似目標精細化檢索系統設計

劉斌 陸堯

摘 ?要： 為了提高多載體圖書信息檢索能力，提出多載體圖書信息鄰近似目標精細化檢索系統設計方案。采用分位數回歸模型構建多載體圖書信息篩選模型;采用關聯信息熵特征提取方法進行多載體圖書信息的近鄰特征挖掘，提取多載體圖書信息的關聯語義特征量;利用語義本體特征重構方法進行多載體圖書信息的檢索和篩選識別，分析多載體圖書信息的輸出高維特征信息;采用鄰近相關性檢索方法實現多載體圖書信息的語義信息檢索和自適應查詢，實現多載體圖書信息的信息分類和特征匹配。在算法設計基礎上，采用嵌入式的Linux技術進行多載體圖書信息鄰近似目標精細化檢索系統的開發設計。測試結果表明，采用該方法進行多載體圖書信息鄰近似目標精細化檢索的召回性較好，檢索效率較高。

關鍵詞： 多載體圖書信息; 鄰近似目標精細化檢索; 語義信息檢索; 特征分類; 特征匹配; 自適應查詢

中圖分類號： TN911.2?34; TP399 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）12?0029?04

Abstract： A design scheme of the proximity?like target refined retrieval system for multi?carrier book information is proposed to improve the multi?carrier book information retrieval ability. The quartile regression model is used to construct the multi?carrier book information screening model. The relevance information entropy feature extraction method is used to mine the nearest neighbor features of multi?carrier book information， so as to extract the associated semantic feature quantity of multi?carrier book information. The semantic ontology feature reconstruction method is used to retrieve， screen， and recognize multi?carrier book information， so as to analyze the output high?dimensional feature information of multi?carrier book information. The adjacent relevance retrieval method is used to realize semantic information retrieval， adaptive query， classification and feature matching of multi?carrier book information. On the basis of the algorithm design， the embedded Linux technology is used to develop and design the proximity?like target refined retrieval system for multi?carrier book information. The test results show that the method has a good recall performance and high retrieval efficiency for proximity?like target refined retrieval of multi?carrier book information.

Keywords： multi?carrier book information; proximity?like target refined retrieval; semantic information retrieval; feature classification; feature matching; adaptive query

0 ?引 ?言

隨著信息化圖書館建設的快速發展，以傳統的紙質圖書和網絡圖書為載體的圖書館信息管理系統得到廣泛應用，采用多載體的圖書信息管理模式，提高圖書館的電子化水平，在多載體圖書管理信息模式下，研究圖書管理的智能化信息管理方法，提高圖書館信息的智能檢索能力[1]。在多載體圖書信息管理模式下，通過鄰近似目標精細化檢索系統設計，實現圖書館的信息資源優化服務升級，相關的信息管理系統和檢索系統設計方法受到人們的極大關注。傳統方法中，對多載體圖書信息鄰近似目標精細化檢索方法主要有有源標簽識別方法、模糊聚類檢索方法等[2?3]，上述方法在進行圖書館數據的鄰近似目標精細化檢索中存在計算開銷大和實時性不好的問題。對此，本文采用分位數回歸模型構建多載體圖書信息篩選模型，采用關聯信息熵特征提取方法進行多載體圖書信息的近鄰特挖掘，提取多載體圖書信息的關聯語義特征量，結合Linux內核進行檢索系統優化設計，最后進行仿真測試，展示了本文設計系統的優越性能。

1 ?多載體圖書信息管理的數據流特征分析

1.1 ?多載體圖書信息標簽識別數據采樣

為了實現對多載體圖書信息鄰近似目標精細化檢索模型優化開發設計，采用RFID標簽識別技術進行多載體圖書信息采樣，結合二維碼識別和條形碼識別的方法，進行多載體圖書信息的自動編碼和標識位構建，多載體圖書信息采集的資源分布如圖1所示。

圖1 ?多載體圖書信息采集的資源分布

1.2 ?關聯語義特征量提取

構建圖書館信息檢索的數據庫實體模型，采用自適應均衡調度方法，得到多載體圖書信息挖掘的輸出信息熵為：

2 ?多載體圖書信息檢索

2.1 ?多載體圖書信息的語義信息挖掘

采用動態回歸分析方法[7]得到多載體圖書信息分布的鏈路集滿足[P∈Rn×n]，[R∈Rm×m]和[H∈Rm×n]，設多載體圖書信息整合的本體指標集定義為：

在重組的圖書信息檢索系統中，得到多載體圖書信息檢索的聚簇中心距離為[yj][（j=1，2，…，d）]，實現多載體圖書信息的語義信息挖掘。

2.2 ?鄰近似目標精細化檢索算法

3 ?系統硬件開發設計

采用Multigen Creator 3.2進行多載體圖書信息檢索系統的數據庫建模，在Vega Prime 2.2.1視景仿真平臺進行多載體圖書信息檢索系統的3D虛擬現實環境開發，設計圖書信息檢索系統推薦標識位及對應狀態見表1。

表1 ?圖書信息檢索系統推薦標識對應狀態

[taskFlag 指令狀態 000 多載體圖書信息參數初始化 001 寫入多載體圖書信息檢索系統的C編譯器 010 定義多載體圖書信息語義檢索組件 011 發送準備狀態，進行程序指令加載 101 加入系統環境變量，修改配置文件 100 程序加載和指令控制 110 數據管理及命令行輸入 111 硬件自動配置 ]

根據上述圖書信息檢索系統推薦標識狀態設計，進行系統開發設計，采用程序加載過程控制方法進行多載體圖書信息鄰近似目標精細化檢索系統的指令設計，在DSP和FPGA集成處理環境中實現精細化檢索系統的硬件開發;采用邏輯DSPBF537作為核心處理器，進行多載體圖書信息鄰近似目標精細化檢索系統的指令讀/寫和編譯操作，構建A/D轉換控制模塊，在DSP系統實現圖書信息鄰近似目標精細化檢索的指令加載和控制信息處理。系統硬件配置如圖2所示。

圖2 ?系統的硬件配置

4 ?仿真測試

在上述構建系統的算法和硬件配置的基礎上，采用多線程總線控制技術進行圖書信息鄰近似目標精細化檢索程序加載，實現系統測試。采用Matlab仿真工具進行算法設計，在Visual DSP++集成信息處理平臺中進行系統的硬件調制。假設對圖書信息采樣的數據集規模為2 000，數據長度為1 024，信息采樣的脈沖頻率為150 kHz，多載體圖書信息數據如圖3所示。

圖3 ?待測試的多載體信息數據

以圖3采樣數據為輸入，采用語義本體特征重構方法進行多載體圖書信息的檢索和篩選識別，分析多載體圖書信息的輸出高維特征信息，進行圖書信息鄰近似目標精細化檢索，得到檢索輸出如圖4所示。

圖4 ?檢索輸出

分析圖4得知，本文方法能有效實現多載體圖書信息篩選和精細化檢索，檢索輸出的區間指向性較好。測試不同方法進行多載體圖書信息檢索的召回性，得到對比結果見表2，分析得知，本文方法進行多載體圖書信息檢索的召回率較高。

表2 ?召回性對比

5 ?結 ?語

本文進行多載體圖書信息鄰近似目標精細化檢索系統設計，采用關聯信息熵特征提取方法進行多載體圖書信息的近鄰特征挖掘，提取多載體圖書信息的關聯語義特征量，采用語義本體特征重構方法進行多載體圖書信息的檢索和篩選識別，分析多載體圖書信息的輸出高維特征信息，實現多載體圖書信息的信息分類和特征匹配。在DSP系統實現圖書信息鄰近似目標精細化檢索的指令加載和控制信息處理，實現圖書信息精細化檢索系統的開發設計。研究得知，采用本文方法進行多載體圖書信息鄰近似目標精細化檢索的召回性較好，提高了圖書信息的檢索能力。

參考文獻

[1] 薛勝軍，胡敏達，許小龍.云環境下公平性優化的資源分配方法[J].計算機應用，2016，36（10）：2686?2691.

XUE Shengjun， HU Minda， XU Xiaolong. Fairness?optimized resource allocation method in cloud environment [J]. Journal of computer applications， 2016， 36（10）： 2686?2691.

[2] BACH S H， BROECHELER M， HUANG B， et al. Hinge?loss Markov random fields and probabilistic soft logic [J]. Journal of machine learning research， 2017， 18（109）： 1?67.

[3] FARNADI G， BACH S H， MOENS M F， et al. Soft quantification in statistical relational learning [J]. Machine learning， 2017， 106（12）： 1971?1991.

[4] BADRINARAYANAN V， KENDALL A， CIPOLLA R. SegNet： a deep convolutional encoder?decoder architecture for image segmentation [J]. IEEE transactions on pattern analysis and machine intelligence， 2017， 39（12）： 2481?2495.

[5] WEI X S， LUO J H， WU J， et al. Selective convolutional descriptor aggregation for fine?grained image retrieval [J]. IEEE transactions on image processing， 2017， 26（6）： 2868?2881.

[6] RAZAVIAN A S， SULLIVAN J， CARLSSON S， et al. Visual instance retrieval with deep convolutional networks [J]. ITE transactions on media technology and applications， 2016， 4（3）： 251?258.

[7] 王利，楊征，李洋.特征聚合的遙感圖像數據庫檢索技術[J].激光雜志，2016，37（6）：78?81.

WANG Li， YANG Zheng， LI Yang. Retrieval technology of remote sensing image database based on feature aggregation [J]. Laser journal， 2016， 37（6）： 78?81.

[8] 文政穎，李運娣.語義指向性特征聚類的圖像檢索算法研究[J].計算機技術與發展，2017，27（4）：83?88.

WEN Zhengying， LI Yundi. Investigation on image retrieval algorithm with semantic directed feature clustering [J]. Computer technology and development， 2017， 27（4）： 83?88.

[9] 高翔，郭新東，張鳳蘭，等.基于安卓平臺的井控信息處理系統的設計實現[J].現代電子技術，2014，37（8）：82?85.

GAO Xiang， GUO Xindong， ZHANG Fenglan， et al. Design and implementation of well control information processing system based on Android [J]. Modern electronics technique， 2014， 37（8）： 82?85.

[10] MIKKONEN A， VAKKARI P. Readers′ interest criteria in fiction book search in library catalogs [J]. Journal of documentation， 2016， 72（4）： 696?715.