| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第16-38页 |
| 1.1 研究背景和意义 | 第16-18页 |
| 1.2 研究现状 | 第18-34页 |
| 1.2.1 粒计算研究现状 | 第18-24页 |
| 1.2.2 时间序列数据挖掘研究现状 | 第24-34页 |
| 1.3 本文研究内容 | 第34-36页 |
| 1.4 本文组织结构 | 第36-38页 |
| 第二章 基于二维正态云的时间序列粒化降维 | 第38-58页 |
| 2.1 引言 | 第38页 |
| 2.2 正态云模型理论介绍 | 第38-40页 |
| 2.3 分段二维正态云表示方法 | 第40-43页 |
| 2.4 基于2D-NCR的时间序列相似性度量 | 第43-48页 |
| 2.5 时间复杂度分析 | 第48-49页 |
| 2.6 实验及结果分析 | 第49-57页 |
| 2.6.1 实验设置 | 第49页 |
| 2.6.2 时间序列分类实验 | 第49-53页 |
| 2.6.3 时间序列聚类实验 | 第53-57页 |
| 2.7 本章小结 | 第57-58页 |
| 第三章 多粒度模糊时间序列预测 | 第58-76页 |
| 3.1 引言 | 第58-59页 |
| 3.2 模糊时间序列介绍 | 第59-60页 |
| 3.3 多粒度模糊时间序列预测模型 | 第60-68页 |
| 3.3.1 基于自动聚类的论域分区 | 第60-62页 |
| 3.3.2 模糊趋势逻辑关系组的构建 | 第62-64页 |
| 3.3.3 模糊趋势矩阵的计算 | 第64-65页 |
| 3.3.4 多粒度层次的划分 | 第65-66页 |
| 3.3.5 基于PSO的多粒度联合预测 | 第66-68页 |
| 3.4 实验及结果分析 | 第68-74页 |
| 3.4.1 实验设置 | 第68-70页 |
| 3.4.2 实验结果及比较 | 第70-72页 |
| 3.4.3 统计显著性检验 | 第72-74页 |
| 3.5 本章小结 | 第74-76页 |
| 第四章 基于高斯云变换和模糊时间序列的多粒度水质预测 | 第76-96页 |
| 4.1 引言 | 第76-77页 |
| 4.2 高斯云变换 | 第77-79页 |
| 4.3 多粒度水质预测模型 | 第79-85页 |
| 4.3.1 论域分区 | 第79-81页 |
| 4.3.2 近似周期性 | 第81-82页 |
| 4.3.3 模糊时间序列预测模型 | 第82-85页 |
| 4.3.4 自适应期望模型 | 第85页 |
| 4.4 实验及结果分析 | 第85-95页 |
| 4.4.1 实验数据集 | 第85-86页 |
| 4.4.2 实验设置 | 第86-87页 |
| 4.4.3 溶解氧预测实验 | 第87-91页 |
| 4.4.4 高锰酸盐指数预测实验 | 第91-95页 |
| 4.5 本章小结 | 第95-96页 |
| 第五章 异常时间序列的在线检测 | 第96-116页 |
| 5.1 引言 | 第96-97页 |
| 5.2 相关概念简介 | 第97-99页 |
| 5.3 基于密度吸引点的启发式异常检测算法 | 第99-103页 |
| 5.3.1 重要密度吸引点的确定 | 第99-101页 |
| 5.3.2 “异常分数”的计算 | 第101-102页 |
| 5.3.3 异常时间序列样本的判定 | 第102-103页 |
| 5.4 基于HDA-AD的在线检测算法 | 第103-106页 |
| 5.4.1 算法描述 | 第103-106页 |
| 5.4.2 时间复杂度分析 | 第106页 |
| 5.5 实验及结果分析 | 第106-114页 |
| 5.5.1 实验设置 | 第106-107页 |
| 5.5.2 HDA-AD算法的验证实验 | 第107-110页 |
| 5.5.3 OLDA-AD算法的验证实验 | 第110-114页 |
| 5.6 本章小结 | 第114-116页 |
| 第六章 总结与展望 | 第116-120页 |
| 6.1 本文研究总结 | 第116-118页 |
| 6.2 未来研究展望 | 第118-120页 |
| 参考文献 | 第120-130页 |
| 作者简历 | 第130-132页 |
| 致谢 | 第132-133页 |