基于深度学习的时间序列特征表示
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景与研究意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 时间序列数据挖掘 | 第12-13页 |
| 1.2.2 时间序列特征表示 | 第13-15页 |
| 1.2.3 深度学习 | 第15-17页 |
| 1.3 本文工作 | 第17-19页 |
| 1.3.1 研究内容 | 第17页 |
| 1.3.2 本文结构 | 第17-19页 |
| 第2章 时间序列数据挖掘和深度学习研究综述 | 第19-36页 |
| 2.1 时间序列 | 第19-20页 |
| 2.2 时间序列特征表示 | 第20-24页 |
| 2.2.1 多项式曲线拟合(PCF) | 第20-21页 |
| 2.2.2 离散傅里叶转换(DFT) | 第21-22页 |
| 2.2.3 分段局部统计(PLS) | 第22页 |
| 2.2.4 离散小波转换(DWT) | 第22-24页 |
| 2.3 时间序列相似性度量 | 第24-27页 |
| 2.3.1 时间相似度 | 第24-25页 |
| 2.3.2 形状相似度 | 第25-26页 |
| 2.3.3 结构相似度 | 第26-27页 |
| 2.4 时间序列数据挖掘 | 第27-28页 |
| 2.5 深度学习算法 | 第28-35页 |
| 2.5.1 自动编码器(AE) | 第29-30页 |
| 2.5.2 栈式自动编码器(SAE) | 第30-31页 |
| 2.5.3 深信度网络(DBN) | 第31-32页 |
| 2.5.4 卷积神经网络(CNNs) | 第32-33页 |
| 2.5.5 循环神经网络(RNNs) | 第33-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 深信度网络(DBN)模型结构 | 第36-46页 |
| 3.1 RBM网络 | 第36-42页 |
| 3.1.1 RBM网路模型结构 | 第37-39页 |
| 3.1.2 RBM的学习 | 第39-42页 |
| 3.2 DBN网络 | 第42-45页 |
| 3.3.1 DBN网络模型 | 第43页 |
| 3.3.2 DBN网络的训练 | 第43-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第4章 基于DBN模型的时间序列特征表示 | 第46-55页 |
| 4.1 基于DBN的时间序列特征表示模型 | 第46-48页 |
| 4.1.1 DBN网络模型的参数 | 第47-48页 |
| 4.1.2 DBN算法性能指标 | 第48页 |
| 4.2 实验环境和实验数据集 | 第48-51页 |
| 4.2.1 实验环境 | 第48-49页 |
| 4.2.2 实验数据集 | 第49-51页 |
| 4.3 实验过程 | 第51-53页 |
| 4.4 实验结果分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 基于BP神经网络的时间序列特征分类 | 第55-64页 |
| 5.1 时间序列特征表示分类模型 | 第55-57页 |
| 5.1.1 数据归一化 | 第56页 |
| 5.1.2 特征表示 | 第56-57页 |
| 5.1.3 模式识别 | 第57页 |
| 5.2 BP神经网络分类器 | 第57-59页 |
| 5.3 实验仿真过程 | 第59-60页 |
| 5.4 实验结果分析 | 第60-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 作者简介及硕士期间取得的成果 | 第70页 |
