时间序列数据挖掘研究与应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 致谢 | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-40页 |
| 1.1 数据挖掘起因和发展 | 第10-13页 |
| 1.2 数据挖掘的定义 | 第13-14页 |
| 1.3 数据挖掘一般过程 | 第14-16页 |
| 1.4 数据挖掘主要技术 | 第16-22页 |
| 1.4.1 聚类分析 | 第16-18页 |
| 1.4.2 分类和预测 | 第18-20页 |
| 1.4.3 关联规则 | 第20-22页 |
| 1.5 时间序列的数据挖掘 | 第22-28页 |
| 1.5.1 时间序列相似性度量 | 第23-25页 |
| 1.5.2 时间序列的搜索问题 | 第25-27页 |
| 1.5.3 时间序列的符号化 | 第27-28页 |
| 1.6 数据挖掘发展趋势 | 第28-29页 |
| 1.7 本文研究内容及相互关系 | 第29-30页 |
| 1.8 小结 | 第30-31页 |
| 参考文献 | 第31-40页 |
| 第二章 趋势序列和趋势距离 | 第40-54页 |
| 2.1 引言 | 第40-41页 |
| 2.2 时间序列趋势表示 | 第41-46页 |
| 2.2.1 时间序列分段线性表示 | 第41-42页 |
| 2.2.2 时间序列趋势表示 | 第42-46页 |
| 2.3 序列趋势距离计算 | 第46-48页 |
| 2.4 趋势距离特性分析 | 第48-49页 |
| 2.5 仿真计算 | 第49-51页 |
| 2.6 小结 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 第三章 分段线性表示改进算法 | 第54-66页 |
| 3.1 引言 | 第54页 |
| 3.2 时间序列分段算法 | 第54-58页 |
| 3.2.1 Sliding Window算法 | 第55-56页 |
| 3.2.2 Top-Down算法 | 第56-57页 |
| 3.2.3 Buttom-Up算法 | 第57-58页 |
| 3.3 改进算法 | 第58-62页 |
| 3.3.1 子序列线性度 | 第59-60页 |
| 3.3.2 双误差阀值算法 | 第60-62页 |
| 3.4 仿真计算 | 第62-64页 |
| 3.5 结论 | 第64-65页 |
| 参考文献 | 第65-66页 |
| 第四章 变步长趋势子序列搜索 | 第66-78页 |
| 4.1 引言 | 第66-67页 |
| 4.2 问题描述 | 第67-69页 |
| 4.3 变步长子序列搜索算法 | 第69-71页 |
| 4.4 结果冗余集合分析 | 第71-73页 |
| 4.5 仿真实例 | 第73-76页 |
| 4.6 小结 | 第76-77页 |
| 参考文献 | 第77-78页 |
| 第五章 基于动态时间规划的趋势序列搜索 | 第78-88页 |
| 5.1 引言 | 第78-79页 |
| 5.2 DTW距离 | 第79-81页 |
| 5.3 趋势变换序列过滤 | 第81-84页 |
| 5.4 仿真计算 | 第84-86页 |
| 5.5 小结 | 第86-87页 |
| 参考文献 | 第87-88页 |
| 第六章 数据挖掘准系统设计及工业应用 | 第88-100页 |
| 6.1 引言 | 第88页 |
| 6.2 准系统说明 | 第88-90页 |
| 6.3 准系统开发平台 | 第90-92页 |
| 6.4 数据介绍 | 第92-97页 |
| 6.5 关联规则挖掘 | 第97-99页 |
| 6.6 小结 | 第99-100页 |
| 第七章 结束语 | 第100-102页 |
| 7.1 研究工作总结 | 第100-101页 |
| 7.2 未来工作展望 | 第101-102页 |
| 附录A: 数据挖掘部分网络资源 | 第102-103页 |
| 附录B: 个人简介 | 第103页 |
| 附录C: 攻读博士期间科研成果 | 第103页 |
