摘要 | 第9-10页 |
ABSTRACT | 第10-11页 |
第一章 绪论 | 第12-25页 |
1.1 研究背景和意义 | 第12-14页 |
1.1.1 研究背景 | 第12-14页 |
1.1.2 研究意义 | 第14页 |
1.2 国内外研究现状 | 第14-20页 |
1.2.1 时间序列数据挖掘 | 第14-15页 |
1.2.2 时间序列相似性分析 | 第15-19页 |
1.2.3 时间序列聚类 | 第19-20页 |
1.2.4 多元时间序列扩展 | 第20页 |
1.3 本文主要工作 | 第20-22页 |
1.3.1 论文的主要工作 | 第20-22页 |
1.3.2 论文的创新点 | 第22页 |
1.4 论文的组织结构 | 第22-25页 |
第二章 时间序列相似性分析相关关键技术 | 第25-41页 |
2.1 时间序列及相似性的相关概念 | 第25-28页 |
2.1.1 时间序列的定义 | 第25页 |
2.1.2 时间序列的特点 | 第25-26页 |
2.1.3 时间序列的相似性定义 | 第26-28页 |
2.1.4 相似性度量函数评价指标 | 第28页 |
2.2 时间序列的模式表示方法 | 第28-31页 |
2.2.1 基于分段的模式表示法 | 第29-31页 |
2.2.2 基于统计的模式表示方法 | 第31页 |
2.2.3 其他方法 | 第31页 |
2.3 时间序列相似性度量方法 | 第31-38页 |
2.3.1 Minkowski距离 | 第31-32页 |
2.3.2 动态时间弯曲距离 | 第32-36页 |
2.3.3 其他方法 | 第36页 |
2.3.4 现有的多元时间序列相似性度量方法 | 第36-38页 |
2.4 时间序列聚类 | 第38-40页 |
2.4.1 时间序列聚类方法 | 第38-39页 |
2.4.2 常用的静态聚类方法 | 第39-40页 |
2.5 本章小结 | 第40-41页 |
第三章 基于MSN和WDTW的多元时间序列相似性度量方法 | 第41-57页 |
3.1 引言 | 第41-42页 |
3.2 分析框架 | 第42-43页 |
3.3 基于特征重要点分层检测的多元时间序列分段 | 第43-47页 |
3.3.1 特征重要点定义 | 第43-44页 |
3.3.2 特征重要点分层检测 | 第44-46页 |
3.3.3 基于误差的多维分段 | 第46-47页 |
3.4 基于分段矩阵范数的模式表示 | 第47-48页 |
3.5 基于加权动态时间弯曲的相似性度量 | 第48-49页 |
3.6 实验分析与评价 | 第49-56页 |
3.6.1 实验框架 | 第50-54页 |
3.6.2 实验结果分析 | 第54-56页 |
3.7 本章小结 | 第56-57页 |
第四章 基于CPCA和SWDTW的多元时间序列相似性度量方法 | 第57-71页 |
4.1 引言 | 第57-58页 |
4.2 分析框架 | 第58页 |
4.3 基于共同主成分分析的多元时间序列变换 | 第58-60页 |
4.4 基于局部特征改进的加权动态时间弯曲相似性度量 | 第60-63页 |
4.4.1 两种相似性度量思路 | 第60-61页 |
4.4.2 基于局部特征改进的加权动态时间弯曲 | 第61-63页 |
4.5 实验分析与评价 | 第63-67页 |
4.5.1 实验框架 | 第63-64页 |
4.5.2 实验结果分析 | 第64-67页 |
4.6 基于穿戴式医疗设备数据的实证研究 | 第67-69页 |
4.7 本章小结 | 第69-71页 |
第五章 基于K近邻网络的多元时间序列聚类算法 | 第71-82页 |
5.1 引言 | 第71页 |
5.2 分析框架 | 第71-72页 |
5.3 有向加权K-近邻网络模型构造 | 第72-73页 |
5.4 网络模型聚类算法 | 第73-74页 |
5.5 实验分析与评价 | 第74-81页 |
5.5.1 实验框架 | 第74-75页 |
5.5.2 实验结果分析 | 第75-81页 |
5.6 本章小结 | 第81-82页 |
第六章 总结与展望 | 第82-84页 |
6.1 论文的主要贡献 | 第82-83页 |
6.2 进一步的工作 | 第83-84页 |
致谢 | 第84-86页 |
参考文献 | 第86-95页 |
作者在学期间取得的学术成果 | 第95-96页 |
附录 英文缩写表 | 第96-97页 |