多元时间序列数据挖掘相似性分析方法及应用研究

国防科学技术大学研究生院硕士学位论文

目录

摘要 (i)

ABSTRACT ................................................................................................................. i i 第一章绪论 .. (1)

1.1 研究背景和意义 (1)

1.1.1 研究背景 (1)

1.1.2 研究意义 (3)

1.2 国内外研究现状 (3)

1.2.1 时间序列数据挖掘 (3)

1.2.2 时间序列相似性分析 (4)

1.2.3 时间序列聚类 (8)

1.2.4 多元时间序列扩展 (9)

1.3 本文主要工作 (9)

1.3.1 论文的主要工作 (9)

1.3.2 论文的创新点 (11)

1.4 论文的组织结构 (11)

第二章时间序列相似性分析相关关键技术 (14)

2.1 时间序列及相似性的相关概念 (14)

2.1.1 时间序列的定义 (14)

2.1.2 时间序列的特点 (14)

2.1.3 时间序列的相似性定义 (15)

2.1.4 相似性度量函数评价指标 (17)

2.2 时间序列的模式表示方法 (17)

2.2.1 基于分段的近似表示法 (18)

2.2.2 基于统计的近似表示方法 (20)

2.2.3 其他方法 (20)

2.3 时间序列相似性度量方法 (20)

2.3.1 Minkowski距离 (20)

2.3.2 动态时间弯曲距离 (21)

2.3.3 其他方法 (25)

2.3.4 现有的多元时间序列相似性度量方法 (25)

2.4 时间序列聚类 (27)

I

万方数据

国防科学技术大学研究生院硕士学位论文

2.4.2 常用的静态聚类方法 (28)

2.5 本章小结 (29)

第三章基于MSN和WDTW的多元时间序列相似性度量方法 (30)

3.1 引言 (30)

3.2 分析框架 (31)

3.3 基于特征重要点分层检测的多元时间序列分段 (31)

3.3.1 特征重要点定义 (32)

3.3.2 特征重要点分层检测 (33)

3.3.3 基于误差的多维分段 (35)

3.4 基于分段矩阵范数的模式表示 (36)

3.5 基于加权动态时间弯曲的相似性度量 (37)

3.6 实验分析与评价 (38)

3.6.1 实验框架 (39)

3.6.2 实验结果分析 (43)

3.7 本章小结 (45)

第四章基于CPCA和SWDTW的多元时间序列相似性度量方法 (46)

4.1 引言 (46)

4.2 分析框架 (46)

4.3 基于共同主成分分析的多元时间序列变换 (47)

4.4 基于局部特征改进的加权动态时间弯曲相似性度量 (49)

4.4.1 两种相似性度量思路 (49)

4.4.2 基于局部特征改进的加权动态时间弯曲 (50)

4.5 实验分析与评价 (52)

4.5.1 实验框架 (52)

4.5.2 实验结果分析 (53)

4.6 基于穿戴式医疗设备数据的实证研究 (56)

4.7 本章小结 (58)

第五章基于K近邻网络的多元时间序列聚类算法 (60)

5.1 引言 (60)

5.2 分析框架 (60)

5.3 有向加权K-近邻网络模型构造 (61)

5.4 网络模型聚类算法 (62)

II

万方数据

国防科学技术大学研究生院硕士学位论文

5.5.1 实验框架 (63)

5.5.2 实验结果分析 (64)

5.6 本章小结 (70)

第六章总结与展望 (71)

6.1 论文的主要贡献 (71)

6.2 进一步的工作 (72)

致谢 (73)

参考文献 (75)

附录英文缩写表 (85)

作者在学期间取得的学术成果 (84)

III

万方数据

国防科学技术大学研究生院硕士学位论文

表目录

表3.1 HMP数据集中各类动作样本数量 (39)

表3.2 REF数据集样本信息 (41)

表3.3 数据集训练样本与测试样本分布 (42)

表3.4 实验一相似性查询结果 (43)

表3.5 实验二1NN分类结果对比 (44)

表3.6 实验三1NN分类结果对比 (45)

表4.1 实验一相似性搜索结果对比 (53)

表4.2 实验二1NN分类结果对比 (54)

表4.3 实验三1NN分类结果对比 (55)

表4.4 实验四1NN分类结果对比 (56)

表5.1 基于MSN_WDTW的K-近邻网络平均模块度和模块数 (65)

表5.2 基于MSN_WDTW的聚类准确度 (66)

表5.3 基于CPCA_SWDTW的K近邻网络平均模块度和模块数 (68)

表5.4 基于CPCA_SWDTW的聚类准确度 (69)

IV

万方数据

国防科学技术大学研究生院硕士学位论文

图目录

图1.1 课题研究内容框架 (10)

图1.2 文章组织结构图 (13)

图2.1 时间序列中的时序相似性 (15)

图2.2 时间序列的形状相似性 (16)

图2.3 时间序列的变化相似性 (16)

图2.4 基本的时间序列相似性变形 (17)

图2.5 DTW畸形匹配问题 (23)

图2.6 窗口约束形状图 (25)

图3.1 EEG数据样本三维图像展示 (30)

图3.2 MSN_WDTW分析框架 (31)

图3.3 不同极值点的图形变化情况 (32)

图3.4 六种极值点的情况展示 (34)

图3.5 原时间序列与分段表示的子序列对比图 (35)

图3.6 分段范数模式表示过程 (37)

图3.7 HMP数据集14种动作三维图像展示图 (40)

图3.8 LP1数据集四类故障数据分布图 (41)

图3.9 不同方法相似性查询结果对比图 (44)

图4.1 基于CPCA变换和SWDTW的MTS相似性度量分析框架图 (47)

图4.2 样本二相似性搜索结果三维图像对比 (54)

图4.3 某型号穿戴式腕表图示 (57)

图4.4 睡眠监测信号 (57)

图4.5 医疗数据相似性搜索结果 (58)

图5.3 基于MTS相似度的网络模型聚类算法分析框架 (61)

图5.4 基于MSN_WDTW相似度的K-近邻网络图 (65)

图5.5 K-近邻网络迭代聚类过程 (66)

图5.6 基于CPCA_SWDTW相似度的K-近邻网络图 (67)

图5.7 基于CPCA_SWDTW的K-近邻网络模块度 (68)

图5.8 两种聚类算法的准确度对比 (69)

V

万方数据

本文来源：https://www.bwwdw.com/article/sine.html