| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-32页 |
| 1.1 课题的研究背景与意义 | 第12-13页 |
| 1.2 时间序列分解 | 第13-16页 |
| 1.3 时间序列降维 | 第16-21页 |
| 1.3.1 时间序列时间降维 | 第16-18页 |
| 1.3.2 时间序列空间降维 | 第18-21页 |
| 1.4 时间序列分类 | 第21-27页 |
| 1.4.1 基于样本的时间序列分类算法 | 第21-24页 |
| 1.4.2 基于特征的时间序列分类算法 | 第24-27页 |
| 1.5 基于时间序列分析的工业系统运行状态监控 | 第27-28页 |
| 1.6 本文研究的主要内容 | 第28-32页 |
| 第2章 局部噪声辅助的快速多维经验模态分解 | 第32-64页 |
| 2.1 引言 | 第32-34页 |
| 2.2 相关算法介绍 | 第34-40页 |
| 2.3 局部噪声辅助的PNA-MEMD算法 | 第40-45页 |
| 2.3.1 投影方向向量数目对NA-MEMD算法的影响 | 第40-42页 |
| 2.3.2 PNA-MEMD算法 | 第42-45页 |
| 2.4 实验分析 | 第45-58页 |
| 2.4.1 仿真信号实验 | 第45-55页 |
| 2.4.2 脑电波信号实验 | 第55-58页 |
| 2.5 基于振动信号分解的轴承故障分析 | 第58-61页 |
| 2.6 新方法原理思考 | 第61-63页 |
| 2.7 小结 | 第63-64页 |
| 第3章 一种基于BoF模型的时间序列分类算法 | 第64-92页 |
| 3.1 引言 | 第64-66页 |
| 3.2 基于BOF模型的时间序列分类算法 | 第66-79页 |
| 3.2.1 时间序列自适应分割 | 第67-69页 |
| 3.2.2 子序列局部特征提取 | 第69-74页 |
| 3.2.3 时间序列特征编码 | 第74-78页 |
| 3.2.4 算法复杂度分析 | 第78-79页 |
| 3.3 实验分析 | 第79-90页 |
| 3.3.1 实验设置 | 第79-81页 |
| 3.3.2 分类结果 | 第81-85页 |
| 3.3.3 SLFE算法分析 | 第85-90页 |
| 3.4 小结 | 第90-92页 |
| 第4章 基于BoF模型的时间序列分类算法的多维扩展 | 第92-110页 |
| 4.1 引言 | 第92-94页 |
| 4.2 MULTI-SLFE算法的提出 | 第94-99页 |
| 4.2.1 多维时间序列自适应分割 | 第94-96页 |
| 4.2.2 局部特征提取 | 第96-97页 |
| 4.2.3 特征编码 | 第97-98页 |
| 4.2.4 算法复杂度分析 | 第98-99页 |
| 4.3 实验分析 | 第99-103页 |
| 4.3.1 实验设置 | 第99-100页 |
| 4.3.2 实验结果与分析 | 第100-103页 |
| 4.4 空调控制系统状态监控 | 第103-108页 |
| 4.5 小结 | 第108-110页 |
| 第5章 一种基于条件互信息的多维时间序列特征选择算法 | 第110-136页 |
| 5.1 引言 | 第110-112页 |
| 5.2 基于条件互信息的多维时间序列特征选择 | 第112-122页 |
| 5.2.1 基于条件互信息的特征选择 | 第112-118页 |
| 5.2.2 CMIFSI的多维时间序列扩展 | 第118-122页 |
| 5.3 实验分析 | 第122-133页 |
| 5.3.1 静态数据实验验证 | 第122-125页 |
| 5.3.2 多维时间序列数据实验验证 | 第125-133页 |
| 5.4 空调控制系统状态监控中的关键变量选择 | 第133-134页 |
| 5.5 小结 | 第134-136页 |
| 第6章 总结与展望 | 第136-140页 |
| 6.1 全文研究内容总结 | 第136-137页 |
| 6.2 研究展望 | 第137-140页 |
| 参考文献 | 第140-148页 |
| 作者简历 | 第148-149页 |
| 攻读博士学位期间完成的学术论文和软著 | 第149-150页 |
| 攻读博士学位期间参与的科研项目 | 第150页 |
