| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 引言 | 第9-12页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 研究内容和创新点 | 第10-12页 |
| 2 序列数据趋势性知识研究综述 | 第12-43页 |
| 2.1 序列数据中的趋势及其识别 | 第12-16页 |
| 2.2 序列数据近似表示 | 第16-22页 |
| 2.3 序列数据相似性度量 | 第22-29页 |
| 2.4 序列数据关联规则发现 | 第29-41页 |
| 2.5 本章小结 | 第41-43页 |
| 3 基于惯性检验的序列数据趋势识别 | 第43-71页 |
| 3.1 序列数据中的趋势现象与趋势识别问题 | 第43-51页 |
| 3.1.1 序列数据演变过程 | 第44-46页 |
| 3.1.2 趋势及其描述 | 第46-51页 |
| 3.2 惯性检验过程及趋势识别算法 | 第51-61页 |
| 3.2.1 惯性检验基本过程 | 第51-54页 |
| 3.2.2 重叠趋势现象及解决方法 | 第54-56页 |
| 3.2.3 算法基本流程与复杂度分析 | 第56-61页 |
| 3.3 算法实验及结果分析 | 第61-70页 |
| 3.3.1 通用数据集趋势识别效果分析 | 第61-64页 |
| 3.3.2 趋势基本形态类型分析 | 第64-67页 |
| 3.3.3 趋势性知识的预测能力 | 第67-68页 |
| 3.3.4 算法参数分析 | 第68-70页 |
| 3.4 本章小结 | 第70-71页 |
| 4 基于复合弯曲距离的趋势相似性度量 | 第71-105页 |
| 4.1 趋势的相似性度量 | 第72-76页 |
| 4.1.1 序列数据相似性度量的本质 | 第72-76页 |
| 4.1.2 结构视角下的趋势相似性度量核心问题 | 第76页 |
| 4.2 序列复合弯曲的核心概念与关键操作 | 第76-86页 |
| 4.2.1 序列复合弯曲的目标与约束条件 | 第77-79页 |
| 4.2.2 趋势演变函数的平移 | 第79-80页 |
| 4.2.3 趋势演变函数的序弯曲 | 第80-84页 |
| 4.2.4 趋势演变函数的值弯曲 | 第84-86页 |
| 4.3 复合弯曲距离及趋势相似性度量 | 第86-100页 |
| 4.3.1 趋势序列复合弯曲距离及其计算方法 | 第86-88页 |
| 4.3.2 趋势演进过程同构(逆构)及其判定 | 第88-93页 |
| 4.3.3 趋势序列数据关键点检索与弯曲比计算 | 第93-96页 |
| 4.3.4 算法基本流程与复杂度分析 | 第96-100页 |
| 4.4 算法实验及结果分析 | 第100-103页 |
| 4.5 本章小结 | 第103-105页 |
| 5 基于趋势事件的多维关联规则发现 | 第105-135页 |
| 5.1 多维关联规则发现与趋势事件 | 第105-113页 |
| 5.1.1 多维关联规则发现的核心问题 | 第106-109页 |
| 5.1.2 事务数据库中的隐含序列型数据 | 第109-111页 |
| 5.1.3 趋势事件与多维关联规则发现 | 第111-113页 |
| 5.2 基于趋势事件的多维关联规则发现关键技术 | 第113-119页 |
| 5.2.1 数据维选择与趋势事件化 | 第114-116页 |
| 5.2.2 维的趋势事件布尔化 | 第116-117页 |
| 5.2.3 多维关联规则发现中的维约束与项约束 | 第117-119页 |
| 5.3 考虑时滞的多维关联规则发现 | 第119-125页 |
| 5.3.1 关联规则发现中的时滞现象 | 第119-121页 |
| 5.3.2 最优时滞系数计算 | 第121-123页 |
| 5.3.3 考虑时滞的多维关联规则发现算法与复杂度分析 | 第123-125页 |
| 5.4 算法实验及结果分析 | 第125-134页 |
| 5.4.1 通用数据集关联规则发现效果分析 | 第125-133页 |
| 5.4.2 算法参数分析 | 第133-134页 |
| 5.5 本章小结 | 第134-135页 |
| 6 结论与展望 | 第135-137页 |
| 参考文献 | 第137-144页 |
| 作者简历及在学研究成果 | 第144-146页 |
| 学位论文数据集 | 第146页 |