基于卷积算法的时间序列部分周期模式挖掘算法研究
| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 选题背景及研究意义 | 第8-10页 |
| 1.2 时间序列数据挖掘主要内容 | 第10-11页 |
| 1.2.1 相似性搜索 | 第10页 |
| 1.2.2 模式挖掘 | 第10页 |
| 1.2.3 趋势分析 | 第10页 |
| 1.2.4 周期性分析 | 第10-11页 |
| 1.3 时间序列周期模式挖掘研究进展 | 第11-13页 |
| 1.3.1 周期模式分类 | 第11-12页 |
| 1.3.2 周期模式挖掘的进展评述 | 第12-13页 |
| 1.4 本文主要内容和创新点 | 第13-16页 |
| 1.4.1 主要内容 | 第13-14页 |
| 1.4.2 创新点 | 第14-16页 |
| 第二章 本文相关概念及算法介绍 | 第16-23页 |
| 2.1 时间序列 | 第16页 |
| 2.2 欧氏距离 | 第16-17页 |
| 2.3 汉明距离 | 第17页 |
| 2.4 时间序列周期模式挖掘相关定义 | 第17-19页 |
| 2.5 卷积 | 第19页 |
| 2.6 小波变换 | 第19-20页 |
| 2.7 分段描述算法 | 第20-21页 |
| 2.8 符号化表示 | 第21-22页 |
| 2.9 小结 | 第22-23页 |
| 第三章 基于卷积的符号周期模式挖掘 | 第23-44页 |
| 3.1 引言 | 第23页 |
| 3.2 算法 | 第23-26页 |
| 3.2.1 算法基本原理 | 第23-24页 |
| 3.2.2 关于匹配主题 | 第24-26页 |
| 3.3 实验及结果分析 | 第26-44页 |
| 3.3.1 人工数据 | 第26-27页 |
| 3.3.2 用仿真数据进行的实验 | 第27-32页 |
| 3.3.3 用实际数据进行的实验 | 第32-44页 |
| 第四章 基于小波变换的时间序列部分周期模式挖掘 | 第44-54页 |
| 4.1 传统的离散小波变换（DWT）及提升方案 | 第44-47页 |
| 4.1.1 传统的离散小波变换（DWT） | 第44-45页 |
| 4.1.2 小波变换的提升方案 | 第45-47页 |
| 4.2 非抽取冗余离散小波分析方法（SWT） | 第47-49页 |
| 4.3 算法及实验 | 第49-53页 |
| 4.3.1 算法的基本步骤 | 第49-50页 |
| 4.3.2 仿真实验 | 第50-53页 |
| 4.4 小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文总结 | 第54页 |
| 5.2 不足与展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |
