时间序列半监督分类研究

论文摘要

时间序列数据是指按照时间的推移顺序排列的一组数据,广泛存在于各个领域。现有的绝大多数时间序列分类方法需要大量有标记的样本,但这样的数据非常难获得且价格昂贵。然而在现实应用领域,存在大量没有类别标签的数据。因此,当已标记样本较少时,如何使用大量未标记样本来改善分类性能已成为广受关注的问题,时间序列半监督分类利用少量已标记数据和大量未标记数据,构建具有较高准确率的分类器。减少了人工标记、标记数据难获取等因素带来的不便。本文分别就单变量和多变量时间序列的半监督分类方法进行创新改进,主要研究工作如下:（1）针对单变量时间序列半监督分类,本文分别提出了基于局部保持映射的时间序列半监督分类算法以及基于分段聚合近似的时间序列半监督分类算法。绝大多数现有研究都是对原始时间序列直接进行半监督分类,在一般情况下,时间序列的维数（长度）比较高,因此在半监督分类方法中选择合适的降维技术非常重要。本文提出了一种基于局部保持映射的时间序列半监督分类方法LPPSSCTS,LPPSSCTS只需选择恰当的参数就可以在解决维灾和去除噪声的同时,还能使降维后的数据可以清晰地保持原数据的局部邻域信息。在15个时间序列数据集上的实验结果表明,本文提出的算法显著地好于已有方法,在后续研究中,本文又提出了一种基于分段聚合近似的时间序列半监督分类算法PAASSCTS,该方法首先使用分段聚合近似对时间序列对时间序列样本进行维数约减,然后对降维后的数据进行半监督分类。在不同的时间序列数据集的实验结果表明,该方法的分类性能显著地好于已有方法。（2）针对多变量时间序列半监督分类,本文提出了基于二维奇异值分解的多变量时间序列半监督分类算法。由于多变量时间序列（MTS）通常长度不相等且变量之间存在复杂关系,MTS的半监督分类研究比较少。针对这种情况,提出一种基于二维奇异值分解的MTS半监督分类方法,该方法首先计算行-行以及列-列协方差矩阵的特征向量,然后从MTS样本中提取特征矩阵;特征矩阵的行数以及列数不仅比原MTS样本低,而且还清晰地考虑了MTS样本的二维特性。在10个MTS数据集上的实验结果表明,该方法的分类性能显著地好于使用扩展Frobenius范数、中心序列、以及基于一维奇异值分解的半监督分类方法。

论文目录

文章来源

类型: 硕士论文

作者: 单中南

导师: 翁小清

关键词: 时间序列,半监督分类,二维奇异值分解,局部保持映射,分段聚合近似

来源: 河北经贸大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,自动化技术

单位: 河北经贸大学

分类号: O211.61;TP181

总页数: 54

文件大小: 1504K

下载量: 81

相关论文文献

• [1].基于非稳态时间序列的生理控制模型研究[J]. 系统工程理论与实践 2020(02)
• [2].基于多样化top-k shapelets转换的时间序列分类方法[J]. 计算机应用 2017(02)
• [3].时间序列趋势预测[J]. 现代计算机(专业版) 2017(02)
• [4].基于分型转折点的证券时间序列分段表示法[J]. 商 2016(31)
• [5].基于ARMA模型的股价预测及实证研究[J]. 智富时代 2017(02)
• [6].《漫长的告别》(年度资助摄影图书)[J]. 中国摄影 2017(04)
• [7].王嵬作品[J]. 当代油画 2017(07)
• [8].基于模糊时间序列的计算机信息粒构建研究[J]. 粘接 2020(10)
• [9].基于时间序列挖掘的合成旅装备维修保障能力预测[J]. 系统工程与电子技术 2020(04)
• [10].风速时间序列混沌判定方法比较研究[J]. 热能动力工程 2018(07)
• [11].土壤退化时间序列的构建及其在我国土壤退化研究中的意义[J]. 土壤 2015(06)
• [12].基于信息颗粒和模糊聚类的时间序列分割[J]. 模糊系统与数学 2015(01)
• [13].不确定时间序列的降维及相似性匹配[J]. 计算机科学与探索 2015(04)
• [14].时间序列的异常点诊断方法[J]. 中国卫生统计 2011(04)
• [15].基于独立成分分析的时间序列谱聚类方法[J]. 系统工程理论与实践 2011(10)
• [16].面向不确定时间序列的分类方法[J]. 计算机研究与发展 2011(S3)
• [17].一种基于频繁模式的时间序列分类框架[J]. 电子与信息学报 2010(02)
• [18].超启发式组合时间序列预报模型[J]. 福建电脑 2020(08)
• [19].基于深度学习的时间序列算法综述[J]. 信息技术与信息化 2019(01)
• [20].基于时间序列符号化模式表征的有向加权复杂网络[J]. 物理学报 2017(21)
• [21].基于互相关的二阶段时间序列聚类方法[J]. 计算机工程与应用 2016(19)
• [22].基于期货市场行为的时间序列切分及表示方法研究[J]. 中国管理信息化 2015(19)
• [23].基于形态特征的时间序列符号聚合近似方法[J]. 模式识别与人工智能 2011(05)
• [24].基于模糊时间序列对我国对外贸易中的进口水平的预测[J]. 统计与决策 2010(23)
• [25].模糊变量时间序列及其应用[J]. 辽宁工程技术大学学报(自然科学版) 2010(06)
• [26].时间序列流的分层段模型[J]. 小型微型计算机系统 2009(04)
• [27].发动机转速时间序列分形特征分析[J]. 机械科学与技术 2008(11)
• [28].基于HDAD的异构航空数据异常检测的研究[J]. 计算机仿真 2020(03)
• [29].重庆藕塘滑坡地下水位时间序列混沌性判别与预测[J]. 人民长江 2020(S1)
• [30].基于能量过滤的不确定时间序列数据清洗方法[J]. 智能计算机与应用 2019(04)

标签：时间序列论文;  半监督分类论文;  二维奇异值分解论文;  局部保持映射论文;  分段聚合近似论文;