時間序列數(shù)據(jù)分布廣泛、富蘊高價值信息,因此時間序列數(shù)據(jù)分析具有重要的研究意義。目前,面向時間序列數(shù)據(jù)開展的聚類算法為數(shù)較多,但由于時間序列數(shù)據(jù)的漂移特性,傳統(tǒng)算法難以高效、精確地運行;同時,隨著數(shù)據(jù)規(guī)模不斷增大,傳統(tǒng)算法在處理數(shù)據(jù)規(guī)模上的不足也進一步暴露。為此,本文重點對模糊聚類、動態(tài)時間規(guī)劃距離和增量策略進行了深入研究,主要工作如下:(1)時間序列數(shù)據(jù)具有時間漂移特性,因此傳統(tǒng)聚類算法難以對其進行精確聚類,而已有的采用基于動態(tài)時間規(guī)劃距離的聚類算法效率較低,無法高效準確地對時間序列數(shù)據(jù)進行聚類。為高效精確的對時間序列數(shù)據(jù)聚類,本文第三章在模糊C均值算法和模糊C中心點算法中引入快速動態(tài)時間規(guī)劃距離,設(shè)計了基于快速動態(tài)時間規(guī)劃的模糊聚類算法。(2)時間序列數(shù)據(jù)規(guī)模逐漸擴大,數(shù)據(jù)不能全部存入內(nèi)存;同時,實際應(yīng)用中對聚類效率往往存在要求較高,這種需求超出了傳統(tǒng)時間序列數(shù)據(jù)聚類的處理能力范圍。因此,為處理大規(guī)模時間序列數(shù)據(jù),本文第四章和第五章將增量策略(Single-Pass和Online)引入到模糊聚類算法中,提出增量式模糊聚類算法。該算法可以有效處理大規(guī)模數(shù)據(jù),并提高聚類效率,為處理大規(guī)模...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
1 引言
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 面向時間序列數(shù)據(jù)的相似度計算方法
        1.2.2 面向時間序列數(shù)據(jù)的聚類算法
        1.2.3 增量算法
    1.3 主要工作及創(chuàng)新點
    1.4 論文的組織結(jié)構(gòu)
2 增量模糊聚類算法及時間序列數(shù)據(jù)
    2.1 模糊聚類算法
        2.1.1 模糊聚類算法基本思想
        2.1.2 常用模糊聚類算法
    2.2 常用增量模糊聚類算法
    2.3 時間序列數(shù)據(jù)
    2.4 動態(tài)時間規(guī)劃距離
    2.5 評價函數(shù)介紹
    2.6 本章小結(jié)
3 面向時間序列數(shù)據(jù)的快速模糊聚類算法
    3.1 引言
    3.2 面向時間序列的模糊聚類算法
    3.3 基于FDTW距離的模糊C中心點算法
        3.3.1 算法介紹
    3.4 實驗設(shè)計及結(jié)果分析
        3.4.1 實驗數(shù)據(jù)介紹
        3.4.2 評價函數(shù)
        3.4.3 實驗結(jié)果分析
    3.5 本章小結(jié)
4 面向時間序列數(shù)據(jù)的增量模糊聚類算法
    4.1 引言
    4.2 基于DTW距離的WFCMDD
    4.3 基于DTW距離的增量模糊C中心點算法
    4.4 實驗設(shè)計與結(jié)果分析
        4.4.1 實驗數(shù)據(jù)介紹
        4.4.2 評價函數(shù)
        4.4.3 實驗結(jié)果與分析
    4.5 本章小結(jié)
5 面向時間序列數(shù)據(jù)的增量快速模糊聚類算法
    5.1 引言
    5.2 基于FDTW的增量模糊C中心點算法
    5.3 實驗設(shè)計與結(jié)果分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻
作者簡歷
學(xué)位論文數(shù)據(jù)集



本文編號：3752331