多變量時間序列(MTS:multivariate time series)分類是根據(jù)已知MTS提取特征或者訓練模型將未知的MTS標記上已知標簽的過程,該工作是當前數(shù)據(jù)挖掘和模式識別領域最具挑戰(zhàn)性的問題之一。在MTS分類的研究工作中,傳統(tǒng)方法通過計算距離、提取特征進行分類。然而,隨著大數(shù)據(jù)時代的到來,時間序列數(shù)據(jù)大量產(chǎn)生,涉及人類生產(chǎn)生活的方方面面,如金融領域、醫(yī)療健康領域、工業(yè)生產(chǎn)、人類模式識別等,數(shù)據(jù)的多樣性、復雜程度在不斷增加,加大了分類難度。因此,開展MTS分類研究具有重要的理論意義和廣泛的應用前景。本文研究工作如下:(1)MTS的變量之間具有很多的相關性信息,因此,我們利用多變量高斯模型的參數(shù)表示其中相關性。本文運用多變量高斯模型的重要參數(shù)協(xié)方差能夠識別并捕獲變量之間的相關性信息的特點,將原始MTS轉換為多變量高斯模型參數(shù),對其進行建模,使用多變量高斯模型表征MTS。并且推導出多變量高斯模型之間的KL(Kullback-Leibler)散度作為相似度度量進行分類。通過實驗驗證了基于KL散度和高斯模型的MTS分類方法在準確度上優(yōu)于對比算法,證實了該方法的有效性。(2)通過充分分析...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究內(nèi)容
    1.3 論文結構
    1.4 本章小結
第二章 相關工作
    2.1 時間序列相關描述
        2.1.1 時間序列基本概念
        2.1.2 時間序列數(shù)據(jù)挖掘
        2.1.3 多變量時間序列分類難點
    2.2 時間序列分類研究現(xiàn)狀
    2.3 時間序列數(shù)據(jù)集
    2.4 本章小結
第三章 基于KL散度和高斯模型的多變量時間序列分類方法研究
    3.1 概述
    3.2 求解方法框架
    3.3 基于KL散度和高斯模型的多變量時間序列分類
        3.3.1 將多變量時間序列轉化為多變量高斯模型參數(shù)
        3.3.2 利用Graphical Lasso求解稀疏逆協(xié)方差
        3.3.3 多變量高斯模型之間的Kullback-Leibler散度計算
        3.3.4 算法描述
    3.4 實驗結果及分析
        3.4.1 數(shù)據(jù)集描述
        3.4.2 實驗結果分析
        3.4.3 時間復雜度分析
        3.4.4 參數(shù)對性能的影響
    3.5 本章小結
第四章 基于FCN的多變量時間序列分類方法研究
    4.1 概述
    4.2 FCN結構描述
    4.3 基于FCN的多變量時間序列分類
        4.3.1 數(shù)據(jù)預處理
        4.3.2 FCN模型
        4.3.3 分類過程
    4.4 實驗結果及分析
        4.4.1 數(shù)據(jù)集描述
        4.4.2 實驗設置和評價標準
        4.4.3 實驗結果分析
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
攻讀學位期間的學術活動及成果情況



本文編號：3740073