摘要 | 第1-5页 |
ABSTRACT | 第5-10页 |
1 绪论 | 第10-22页 |
·论文研究背景和意义 | 第10页 |
·时间序列数据挖掘 | 第10-19页 |
·时间序列分段模式表示研究现状 | 第12-14页 |
·面向多维时间序列聚类的相似性度量研究现状 | 第14-16页 |
·时间序列预测研究现状 | 第16-19页 |
·本文的主要研究工作 | 第19-22页 |
·本文主要研究内容 | 第19-20页 |
·本文结构安排 | 第20-22页 |
2 时间序列分段多项式连续模式表示 | 第22-40页 |
·引言 | 第22页 |
·时间序列分段模式表示 | 第22-25页 |
·分段频域模式表示 | 第23-24页 |
·分段线性模式表示 | 第24-25页 |
·分段多项式模式表示 | 第25页 |
·分段多项式模式参数估计 | 第25-32页 |
·PPR 参数估计 | 第26-27页 |
·CPPR 参数估计 | 第27-29页 |
·时间序列残差熵模型检验 | 第29-32页 |
·时间序列自适应CPPR | 第32-35页 |
·分段点搜索策略及其分段度量 | 第32-33页 |
·时间序列自适应CPPR 算法 | 第33-35页 |
·实验与结论 | 第35-40页 |
·实验 | 第35-39页 |
·结论 | 第39-40页 |
3 面向多维时间序列聚类的相似性度量 | 第40-62页 |
·引言 | 第40页 |
·空间点聚类 | 第40-42页 |
·空间点聚类定义 | 第40-41页 |
·空间点聚类算法 | 第41-42页 |
·时间序列聚类 | 第42-47页 |
·时间序列聚类定义 | 第42-44页 |
·基于空间距离的STS 相似性度量 | 第44-45页 |
·基于动态时间弯曲距离的STS 相似性度量 | 第45-47页 |
·基于STS 相似的多维时间序列聚类 | 第47-52页 |
·基于DTW 的STS 聚类 | 第48-49页 |
·基于 STS 聚类关系的 MTS 模糊聚类 | 第49-51页 |
·基于STS 相似的MTS 聚类改进 | 第51-52页 |
·基于路径相似的多维时间序列聚类 | 第52-56页 |
·基于路径的MTS 相似性度量 | 第53-56页 |
·基于路径DTW 的MTS 聚类 | 第56页 |
·实验与结论 | 第56-62页 |
·实验 | 第56-60页 |
·结论 | 第60-62页 |
4 时间序列 RBF 神经网络集成预测 | 第62-94页 |
·引言 | 第62页 |
·时间序列预测概述 | 第62-67页 |
·传统时间序列预测 | 第62-66页 |
·神经网络时间序列预测 | 第66-67页 |
·神经网络集成 | 第67-72页 |
·神经网络集成原理 | 第67-69页 |
·个体神经网络生成 | 第69-72页 |
·个体神经网络输出集成 | 第72页 |
·时间序列RBF 神经网络集成 | 第72-85页 |
·RBF 网络中心参数对输出影响分析 | 第73-75页 |
·基于主成分分析的网络输入维数分析 | 第75-81页 |
·基于聚类中心选择的集成结构 | 第81-83页 |
·集成中个体的输出集成 | 第83-85页 |
·基于NNE-RBF 的时间序列预测 | 第85-87页 |
·实验与结论 | 第87-94页 |
·实验 | 第87-92页 |
·结论 | 第92-94页 |
5 时间序列数据挖掘与三峡库区水环境安全预警平台的应用集成 | 第94-106页 |
·引言 | 第94页 |
·信息系统集成概述 | 第94-96页 |
·时间序列数据库结构 | 第96-98页 |
·水质监测数据抽取 | 第96-97页 |
·水质监测时间序列数据库 | 第97-98页 |
·基于服务请求的应用集成 | 第98-103页 |
·C/S 与B/S | 第98-99页 |
·应用集成结构 | 第99-101页 |
·服务请求协议 | 第101-103页 |
·集成计算服务平台 | 第103-105页 |
·集成计算服务平台结构 | 第103-104页 |
·集成计算服务流程 | 第104-105页 |
·结论 | 第105-106页 |
6 结论 | 第106-108页 |
·主要贡献与特色 | 第106-107页 |
·需要进一步研究的问题 | 第107-108页 |
致谢 | 第108-110页 |
参考文献 | 第110-120页 |
附录 | 第120页 |
A.作者在攻读学位期间专利或论文目录 | 第120页 |
B. 作者在攻读学位期间科研目录 | 第120页 |