時(shí)間序列數(shù)據(jù)普遍存在于生產(chǎn)生活中,挖掘其中蘊(yùn)含的信息對(duì)農(nóng)業(yè)、工業(yè)、經(jīng)濟(jì)等行業(yè)決策具有重要的參考意義。時(shí)間序列分類問(wèn)題是時(shí)間序列數(shù)據(jù)挖掘中一個(gè)重要的分支,同時(shí)也是其他挖掘任務(wù)的基礎(chǔ)。傳統(tǒng)的分類方法一般需要大量的已標(biāo)記數(shù)據(jù),通過(guò)大量已標(biāo)記的數(shù)據(jù)的訓(xùn)練才能使分類器達(dá)到較高的分類效果。但標(biāo)記數(shù)據(jù)的獲得,常常需要耗費(fèi)大量的時(shí)間和人力。同時(shí),在現(xiàn)實(shí)應(yīng)用中,一般存在大量未標(biāo)記序列數(shù)據(jù),這些未標(biāo)記序列數(shù)據(jù)中也蘊(yùn)含著數(shù)據(jù)分布信息�；诎氡O(jiān)督學(xué)習(xí)的方法在標(biāo)記數(shù)據(jù)較少的情況下,能通過(guò)未標(biāo)記序列數(shù)據(jù)來(lái)構(gòu)建具有較高分類準(zhǔn)確率的分類器,大大地減少了人為標(biāo)記所帶來(lái)的時(shí)間和精力消耗。此外傳統(tǒng)時(shí)間序列分類方法一般需要進(jìn)行較為繁瑣的特征抽取工作,比較影響最終分類方法的效率。BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)較為復(fù)雜的非線性映射,較為方便地從原始數(shù)據(jù)中抽取特征表示,具有自學(xué)習(xí)能力和一定的概括能力。鑒于此,為了充分利用未標(biāo)記序列數(shù)據(jù),本文改進(jìn)了一種半監(jiān)督學(xué)習(xí)算法,并結(jié)合BP神經(jīng)網(wǎng)絡(luò),開(kāi)展基于BP神經(jīng)網(wǎng)絡(luò)和半監(jiān)督學(xué)習(xí)的時(shí)間序列分類模型研究。研究?jī)?nèi)容如下:(1)總結(jié)了時(shí)間序列分類問(wèn)題中的基礎(chǔ)理論和相關(guān)算法,介紹并分析了半監(jiān)督學(xué)習(xí)的目的與相關(guān)算...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 時(shí)間序列分類研究
        1.2.2 時(shí)間序列中的半監(jiān)督學(xué)習(xí)分類算法
    1.3 本文主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 時(shí)間序列分析及分類研究基礎(chǔ)
    2.1 時(shí)間序列相關(guān)定義
    2.2 相似性度量
    2.3 時(shí)間序列分類模型及其應(yīng)用
        2.3.1 基于相似性的分類算法
        2.3.2 基于特征的分類算法
        2.3.3 基于神經(jīng)網(wǎng)絡(luò)的分類算法
    2.4 半監(jiān)督分類算法
    2.5 本章小結(jié)
第三章 一種改進(jìn)的半監(jiān)督分類算法
    3.1 半監(jiān)督學(xué)習(xí)在一類分類問(wèn)題上的擴(kuò)展——PU學(xué)習(xí)
    3.2 基于自主訓(xùn)練的半監(jiān)督分類算法
    3.3 一種改進(jìn)的半監(jiān)督分類算法
        3.3.1 自主訓(xùn)練算法的改進(jìn)——k-absorb算法
        3.3.2 基于PU學(xué)習(xí)和k-absorb的半監(jiān)督分類算法
    3.4 實(shí)驗(yàn)與分析
        3.4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)
        3.4.2 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于BP神經(jīng)網(wǎng)絡(luò)和半監(jiān)督學(xué)習(xí)的時(shí)間序列分類模型
    4.1 一種基于BP和樸素貝葉斯的BP_NB分類算法
        4.1.1 樸素貝葉斯分類器
        4.1.2 BP神經(jīng)網(wǎng)絡(luò)
        4.1.3 BP_NB時(shí)間序列分類算法
    4.2 基于BP神經(jīng)網(wǎng)絡(luò)和半監(jiān)督學(xué)習(xí)的時(shí)間序列分類模型
        4.2.1 利用BP_NB算法訓(xùn)練基準(zhǔn)分類器
        4.2.2 利用k-absorb算法擴(kuò)大標(biāo)記序列集
        4.2.3 基于BP_NB和k-absorb的時(shí)間序列分類模型
    4.3 實(shí)驗(yàn)及分析
        4.3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)
        4.3.2 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間發(fā)表的論文



本文編號(hào)：3802832