多变量时间序列的降维、模式匹配与异常检测
| 中文摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-18页 |
| ·研究背景及选题意义 | 第8-9页 |
| ·多变量时间序列数据简介 | 第9-12页 |
| ·多变量时间序列 | 第9-10页 |
| ·典型的多变量时间序列数据 | 第10-12页 |
| ·多变量时间序列的研究概况 | 第12-14页 |
| ·本文的主要研究内容和成果 | 第14-16页 |
| ·本文的研究框架 | 第14-16页 |
| ·本文创新点 | 第16页 |
| ·本文的结构安排 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第二章 面向分类的多变量时间序列降维 | 第18-34页 |
| ·引言 | 第18-20页 |
| ·奇异值分解和判别局部保持投影简介 | 第20-22页 |
| ·奇异值分解 | 第20-21页 |
| ·判别局部保持投影 | 第21-22页 |
| ·基于SVD和判别局部保持投影的降维算法 | 第22-25页 |
| ·实验与结果分析 | 第25-32页 |
| ·实验数据 | 第25-26页 |
| ·算法的分类性能测试 | 第26-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 基于张量的多变量时间序列模式匹配 | 第34-46页 |
| ·引言 | 第34-35页 |
| ·相关研究 | 第35-36页 |
| ·基于张量多线性PCA的多变量时间序列模式匹配 | 第36-39页 |
| ·基于张量多线性PCA的模式表示 | 第36-38页 |
| ·张量相似性度量 | 第38-39页 |
| ·实验结果与分析 | 第39-45页 |
| ·实验数据 | 第39页 |
| ·实验方法 | 第39-40页 |
| ·算法性能评估 | 第40-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于连接图的多变量时间序列异常样本检测 | 第46-61页 |
| ·引言 | 第46-47页 |
| ·相关研究 | 第47-48页 |
| ·PageRank及ADPP算法简介 | 第48-50页 |
| ·改进ADPP的多变量时间序列异常样本检测 | 第50-51页 |
| ·相关定义 | 第50-51页 |
| ·IADPP算法描述 | 第51页 |
| ·实验与结果分析 | 第51-60页 |
| ·实验数据 | 第52-53页 |
| ·算法验证与性能评估 | 第53-56页 |
| ·在实践领域的应用 | 第56-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 结论与展望 | 第61-63页 |
| ·结论 | 第61-62页 |
| ·前景与展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 个人简介、在学期间的研究成果及发表的学术论文 | 第67页 |
