| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 引言 | 第8页 |
| 1.2 时间序列挖掘 | 第8-9页 |
| 1.2.1 时间序列的定义 | 第8-9页 |
| 1.2.2 时间序列挖掘的任务与内容 | 第9页 |
| 1.3 时间序列聚类 | 第9-11页 |
| 1.3.1 聚类 | 第9-10页 |
| 1.3.2 时间序列聚类技术 | 第10-11页 |
| 1.4 基于特征的时间序列聚类 | 第11-12页 |
| 1.4.1 基于形态特征的时间序列聚类 | 第11页 |
| 1.4.2 基于结构特征的时间序列聚类 | 第11-12页 |
| 1.4.3 基于模型特征的时间序列聚类 | 第12页 |
| 1.5 论文的主要工作和结构组织 | 第12-13页 |
| 1.6 本章小结 | 第13-14页 |
| 第二章 时间序列特征及其相似性度量 | 第14-19页 |
| 2.1 引言 | 第14页 |
| 2.2 时间序列类型 | 第14页 |
| 2.3 时间序列特征 | 第14-16页 |
| 2.3.1 形态特征 | 第14页 |
| 2.3.2 结构特征 | 第14-16页 |
| 2.3.3 模型特征 | 第16页 |
| 2.4 相似性度量 | 第16-18页 |
| 2.4.1 欧氏距离 | 第17页 |
| 2.4.2 动态时间弯曲 | 第17页 |
| 2.4.3 符号化距离 | 第17-18页 |
| 2.4.4 其他距离度量方法 | 第18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 基于关键点的时间序列模糊聚类及动态聚类 | 第19-30页 |
| 3.1 引言 | 第19页 |
| 3.2 关键点 | 第19-21页 |
| 3.2.1 关键点定义 | 第19-20页 |
| 3.2.2 关键点提取 | 第20-21页 |
| 3.3 改进的FCM算法 | 第21-27页 |
| 3.3.1 距离度量 | 第21-25页 |
| 3.3.2 算法框架 | 第25-26页 |
| 3.3.3 算法步骤 | 第26-27页 |
| 3.4 动态聚类算法 | 第27-28页 |
| 3.5 本章小结 | 第28-30页 |
| 第四章 基于关键点的时间序列聚类实验评估与应用 | 第30-44页 |
| 4.1 引言 | 第30页 |
| 4.2 实验介绍 | 第30页 |
| 4.3 对比算法介绍 | 第30-31页 |
| 4.3.1 K-means算法 | 第30-31页 |
| 4.3.2 FCM算法 | 第31页 |
| 4.4 聚类结果评估标准 | 第31-33页 |
| 4.5 实验与分析 | 第33-39页 |
| 4.5.1 算法参数调整实验 | 第33-37页 |
| 4.5.2 对比实验 | 第37-39页 |
| 4.6 对20国内商品期货的聚类 | 第39-43页 |
| 4.6.1 数据介绍 | 第39-41页 |
| 4.6.2 聚类结果与分析 | 第41-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第五章 全文总结与展望 | 第44-46页 |
| 5.1 全文总结 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 附件 | 第49-66页 |
| 附件1：对原始数据进行压缩求关键点序列的cutData函数代码 | 第49-51页 |
| 附件2: 改进的FCM算法代码,即newFCM | 第51-55页 |
| 附件3: 计算任意一个聚类结果的准确率R的函数代码 | 第55-57页 |
| 附近4: 计算任意一个聚类结果的NMI函数代码 | 第57-59页 |
| 附件5：k-means算法代码 | 第59-63页 |
| 附件6：动态聚类Dyn_Clustering算法代码 | 第63-66页 |
| 致谢 | 第66-67页 |
