张海彬:基于度量学习的多变量时序数据分类方法研究论文

张海彬:基于度量学习的多变量时序数据分类方法研究论文

本文主要研究内容

作者张海彬(2019)在《基于度量学习的多变量时序数据分类方法研究》一文中研究指出:时序数据是人们的日常生活和工作中经常遇到的数据类型之一,其普遍应用于医疗、金融、工业和气象等领域。相比于单变量时序数据的单一属性,经常需要在每个时刻同时记录多个属性,因此多变量的时序数据的数分析更加贴近现实。所以深入研究多变量时序数据数据分析有越来越重要的实际意义和应用价值。本文从多变量时序数据的基本特点入手,深入研究了现有的多变量时序数据的相似性度量方法。针对现有的MD-DTW方法的分类效果并不是很优秀,深入研究时序数据的相似性度量方法,进而提出了面向多变量时序数据的分类方法。本文主要在多变量时序数据分类的两个研究方向上提出了改进。在第一个方向,基于马氏距离的动态时间弯曲算法(MD-DTW)是目前常用的多变量时序数据相似性度量方法。针对该方法在计算时序数据局部距离时仅考虑空间距离的特点,本文提出了基于斯皮尔曼系数的MD-DTW方法(Sp-MD-DTW)。该算法采用斯皮尔曼相关性系数和马氏距离构建了一个新的局部距离计算公式,得到一个更好的局部距离度量,从而提升了MD-DTW方法的相似性度量效果。然后在本文提出的Sp-MD-DTW相似性度量方法基础上,基于PGDM度量学习算法,提出基于Sp-MD-DTW和PGDM度量学习算法的时序数据分类方法。该方法使用PGDM度量学习方法从训练样本集中计算出一个适用于当前任务的马氏矩阵,将该马氏矩阵作为相似性度量方法的度量参数,可以更好的表示训练集和测试集的相似性度量。在第二个方向上,目前常用的时序数据之间的全局距离度量算法一般都是基于动态时间弯曲的,且只计算空间距离的方法。本文提出了一种基于K-S检验的时序数据分类方法。该方法使用K-S检验描述时序数据的显著性差异,构建一个以p值为参数的新的全局距离度量公式,在通过k-NN分类方法完成时序数据分类。最后将提出的基于K-S检验的时序数据分类算法与提出的基于Sp-MD-DTW和PGDM的时序数据相似性度量方法基于得到了一种面向多变量时序数据的分类方法。最后,采用公开的UCI数据集,通过对比实验对本文提出的算法的效果进行了验证,实验结果表明本文提出的算法都达到了理想的效果。

Abstract

shi xu shu ju shi ren men de ri chang sheng huo he gong zuo zhong jing chang yu dao de shu ju lei xing zhi yi ,ji pu bian ying yong yu yi liao 、jin rong 、gong ye he qi xiang deng ling yu 。xiang bi yu chan bian liang shi xu shu ju de chan yi shu xing ,jing chang xu yao zai mei ge shi ke tong shi ji lu duo ge shu xing ,yin ci duo bian liang de shi xu shu ju de shu fen xi geng jia tie jin xian shi 。suo yi shen ru yan jiu duo bian liang shi xu shu ju shu ju fen xi you yue lai yue chong yao de shi ji yi yi he ying yong jia zhi 。ben wen cong duo bian liang shi xu shu ju de ji ben te dian ru shou ,shen ru yan jiu le xian you de duo bian liang shi xu shu ju de xiang shi xing du liang fang fa 。zhen dui xian you de MD-DTWfang fa de fen lei xiao guo bing bu shi hen you xiu ,shen ru yan jiu shi xu shu ju de xiang shi xing du liang fang fa ,jin er di chu le mian xiang duo bian liang shi xu shu ju de fen lei fang fa 。ben wen zhu yao zai duo bian liang shi xu shu ju fen lei de liang ge yan jiu fang xiang shang di chu le gai jin 。zai di yi ge fang xiang ,ji yu ma shi ju li de dong tai shi jian wan qu suan fa (MD-DTW)shi mu qian chang yong de duo bian liang shi xu shu ju xiang shi xing du liang fang fa 。zhen dui gai fang fa zai ji suan shi xu shu ju ju bu ju li shi jin kao lv kong jian ju li de te dian ,ben wen di chu le ji yu si pi er man ji shu de MD-DTWfang fa (Sp-MD-DTW)。gai suan fa cai yong si pi er man xiang guan xing ji shu he ma shi ju li gou jian le yi ge xin de ju bu ju li ji suan gong shi ,de dao yi ge geng hao de ju bu ju li du liang ,cong er di sheng le MD-DTWfang fa de xiang shi xing du liang xiao guo 。ran hou zai ben wen di chu de Sp-MD-DTWxiang shi xing du liang fang fa ji chu shang ,ji yu PGDMdu liang xue xi suan fa ,di chu ji yu Sp-MD-DTWhe PGDMdu liang xue xi suan fa de shi xu shu ju fen lei fang fa 。gai fang fa shi yong PGDMdu liang xue xi fang fa cong xun lian yang ben ji zhong ji suan chu yi ge kuo yong yu dang qian ren wu de ma shi ju zhen ,jiang gai ma shi ju zhen zuo wei xiang shi xing du liang fang fa de du liang can shu ,ke yi geng hao de biao shi xun lian ji he ce shi ji de xiang shi xing du liang 。zai di er ge fang xiang shang ,mu qian chang yong de shi xu shu ju zhi jian de quan ju ju li du liang suan fa yi ban dou shi ji yu dong tai shi jian wan qu de ,ju zhi ji suan kong jian ju li de fang fa 。ben wen di chu le yi chong ji yu K-Sjian yan de shi xu shu ju fen lei fang fa 。gai fang fa shi yong K-Sjian yan miao shu shi xu shu ju de xian zhe xing cha yi ,gou jian yi ge yi pzhi wei can shu de xin de quan ju ju li du liang gong shi ,zai tong guo k-NNfen lei fang fa wan cheng shi xu shu ju fen lei 。zui hou jiang di chu de ji yu K-Sjian yan de shi xu shu ju fen lei suan fa yu di chu de ji yu Sp-MD-DTWhe PGDMde shi xu shu ju xiang shi xing du liang fang fa ji yu de dao le yi chong mian xiang duo bian liang shi xu shu ju de fen lei fang fa 。zui hou ,cai yong gong kai de UCIshu ju ji ,tong guo dui bi shi yan dui ben wen di chu de suan fa de xiao guo jin hang le yan zheng ,shi yan jie guo biao ming ben wen di chu de suan fa dou da dao le li xiang de xiao guo 。

论文参考文献

  • [1].基于多变量的时间序列分析预测研究[D]. 翟嘉伊.电子科技大学2019
  • [2].基于软冗余技术的多变量热工控制系统研究[D]. 马轶博.天津工业大学2018
  • [3].多变量内模控制的仿真研究[D]. 齐菲.北京化工大学2008
  • [4].基于物理平台的多变量预测控制系统的设计与研究[D]. 李紫君.华北电力大学2017
  • [5].多变量模型参考自适应控制进一步研究[D]. 陈伟.曲阜师范大学2008
  • [6].多变量闭环辨识[D]. 王明明.北京化工大学2008
  • [7].多变量广义预测控制在单元机组协调控制系统中的应用研究[D]. 曹楠.华北电力大学2000
  • [8].多变量预测控制算法的仿真研究[D]. 夏友亮.南京信息工程大学2015
  • [9].多变量多时滞过程的建模与控制[D]. 周志刚.江南大学2014
  • [10].多变量体数据的压缩技术研究[D]. 漆琳智.杭州电子科技大学2014
  • 读者推荐
  • [1].基于深度学习的目标时序信息分析方法研究[D]. 曾庆宇.哈尔滨工程大学2019
  • [2].基于距离与相似性度量学习的说话人识别研究[D]. 万艳红.江西师范大学2018
  • [3].基于局部特征和度量学习的行人重识别模型研究[D]. 张国鹏.华东师范大学2019
  • [4].基于度量学习的特征提取技术研究[D]. 马岚.西安电子科技大学2018
  • [5].基于时序数据分析的桥梁结构健康状态识别[D]. 王成菀.重庆大学2018
  • [6].基于深度度量学习的人脸属性识别[D]. 何雅婷.中国科学院大学(中国科学院人工智能学院)2018
  • [7].基于度量学习的图像分类算法研究[D]. 阎少梅.安徽大学2018
  • [8].煤矿生产安全时序数据预测方法研究[D]. 王一坤.山西大学2016
  • [9].基于数据仓库和数据挖掘的行为分析研究[D]. 杨雅薇.长安大学2010
  • [10].基于智能决策支持的时序数据挖掘系统的研究[D]. 张元.华北工学院2004
  • 论文详细介绍

    论文作者分别是来自哈尔滨工程大学的张海彬,发表于刊物哈尔滨工程大学2019-07-01论文,是一篇关于多变量时序数据论文,相似性度量论文,度量学习论文,相关性系数论文,检验论文,哈尔滨工程大学2019-07-01论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自哈尔滨工程大学2019-07-01论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。

    标签:;  ;  ;  ;  ;  ;  

    张海彬:基于度量学习的多变量时序数据分类方法研究论文
    下载Doc文档

    猜你喜欢