| 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 |