首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

面向时间序列分类任务的SAX方法研究

摘要第4-6页
Abstract第6-7页
1 引言第13-23页
    1.1 研究背景及意义第15-17页
    1.2 国内外研究现状第17-18页
    1.3 SAX应用研究所面临的主要问题第18-19页
    1.4 主要研究内容第19-21页
    1.5 论文组织结构第21-23页
2 相关工作第23-30页
    2.1 SAX方法第23-26页
    2.2 BOP方法第26-27页
    2.3 影响SAX表示效果的参数因素第27-28页
    2.4 衡量时间序列特征表示方法性能的指标及度量标准第28-29页
    2.5 本章小结第29-30页
3 基于机器学习的SAX方法有效性验证与性能提升第30-55页
    3.1 研究动机第31-32页
    3.2 相关工作第32-40页
        3.2.1 集成学习方法第32-33页
        3.2.2 多变量时间序列及其分类第33-35页
        3.2.3 深度学习及卷积神经网络方法第35-40页
    3.3 基于SAX特征表示的多阶段集成分类框架第40-47页
        3.3.1 实验数据第40-41页
        3.3.2 相关实验及结果分析第41-47页
    3.4 基于卷积网络与SAX表示的多变量时间序列特征提取模型第47-54页
        3.4.1 unpooling与反卷积第47-48页
        3.4.2 基于反卷积重构验证的MTS特征学习第48-49页
        3.4.3 用于分类的SAX及BOP特征表示第49-50页
        3.4.4 实验及结果分析第50-54页
    3.5 本章小结第54-55页
4 基于统计视角的SAX方法内在特性度量研究第55-71页
    4.1 研究动机第55-57页
    4.2 相关工作第57-61页
        4.2.1 排列熵第57-58页
        4.2.2 信息嵌入成本第58-60页
        4.2.3 自相关与偏自相关函数第60-61页
    4.3 基于统计视角的SAX特性度量及实验分析第61-70页
        4.3.1 实验数据及SAX参数选择第61-62页
        4.3.2 PE值与复杂度第62-64页
        4.3.3 信息嵌入效率第64-68页
        4.3.4 周期性与相关性第68-70页
    4.4 本章小结第70-71页
5 基于复杂网络的SAX方法可视化探索第71-97页
    5.1 研究动机第72-73页
    5.2 相关工作第73-80页
        5.2.1 可视化的基本概念第73-77页
        5.2.2 可视化分支及与其它领域学科关系第77-78页
        5.2.3 可视化的流程第78-79页
        5.2.4 可视化的意义与挑战第79-80页
    5.3 时间序列可视化第80-83页
        5.3.1 时间序列及其可视化第81页
        5.3.2 时间序列可视化的主要任务及研究进展第81-82页
        5.3.3 可视化增强的数据挖掘方法第82-83页
    5.4 基于复杂网络的SAX可视化探索第83-88页
        5.4.1 复杂网络及相关研究第83-84页
        5.4.2 复杂网络可视化第84-86页
        5.4.3 时间序列数据的离散化特征表示与转化第86-87页
        5.4.4 转移矩阵可视化第87-88页
    5.5 实验及结果分析第88-96页
        5.5.1 实验数据及相关参数第88-89页
        5.5.2 数据可视化呈现第89-90页
        5.5.3 实验结果及分析第90-96页
    5.6 本章小结第96-97页
6 总结与展望第97-100页
    6.1 工作总结第97-98页
    6.2 研究展望第98-100页
参考文献第100-111页
在学期间发表的学术论文、知识产权及参加的基金项目第111-113页
    一、学术论文第111-112页
    二、参与及主持的基金项目第112页
    三、专利及软件著作权第112-113页
致谢第113-114页

论文共114页,点击 下载论文
上一篇:3D打印重建阴道种子细胞制备的实验研究
下一篇:综采重型刮板输送机驱动系统动力学特性与智能控制方法研究