| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-16页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 本文工作安排 | 第14-15页 |
| 1.3 本文组织结构 | 第15-16页 |
| 2 时间序列分类综述 | 第16-29页 |
| 2.1 预处理 | 第16页 |
| 2.2 表示方法 | 第16-18页 |
| 2.2.1 非数据自适应方法 | 第17-18页 |
| 2.2.2 数据自适应方法 | 第18页 |
| 2.2.3 基于模型的方法 | 第18页 |
| 2.3 相似性度量 | 第18-23页 |
| 2.3.1 基于形状的度量 | 第20-21页 |
| 2.3.2 基于编辑的度量 | 第21页 |
| 2.3.3 基于特征的度量 | 第21-22页 |
| 2.3.4 基于结构的度量 | 第22-23页 |
| 2.3.5 距离度量中的压缩技术 | 第23页 |
| 2.4 索引技术 | 第23-25页 |
| 2.5 时间序列分类 | 第25-26页 |
| 2.6 时间序列分类应用 | 第26-28页 |
| 2.7 本章总结 | 第28-29页 |
| 3 时间序列分类前期准备 | 第29-43页 |
| 3.1 基本决策树理论 | 第29-37页 |
| 3.1.1 决策树基本思想 | 第29-32页 |
| 3.1.2 决策树基本算法 | 第32-33页 |
| 3.1.3 决策树重要技术 | 第33-37页 |
| 3.2 图像转化为时间序列 | 第37-39页 |
| 3.2.1 图像预处理阶段 | 第37-38页 |
| 3.2.2 图像转化为时间序列—ITTS方法 | 第38-39页 |
| 3.3 相关工作及定义 | 第39-42页 |
| 3.4 本章总结 | 第42-43页 |
| 4 基于增量式决策树的时间序列分类 | 第43-53页 |
| 4.1 增量式过程的综述 | 第43页 |
| 4.2 基于决策树的时间序列分类 | 第43-49页 |
| 4.2.1 shapelet的提出 | 第44-47页 |
| 4.2.2 基于决策树的时间序列分类 | 第47-49页 |
| 4.3 基于增量式决策树的时间序列分类 | 第49-52页 |
| 4.3.1 增量式决策树理论 | 第49-50页 |
| 4.3.2 基于增量式决策树的时间序列分类 | 第50-52页 |
| 4.4 本章总结 | 第52-53页 |
| 5 基于shapelets的增量式时间序列分类 | 第53-58页 |
| 5.1 基于shapelets的时间序列分类 | 第53-55页 |
| 5.1.1 shapelets的提出 | 第53-55页 |
| 5.1.2 shapelets与其他分类器的结合 | 第55页 |
| 5.2 基于shapelets的增量式时序分类 | 第55-57页 |
| 5.3 本章总结 | 第57-58页 |
| 6 实验结果及分析 | 第58-70页 |
| 6.1 图像转化为时间序列 | 第58-61页 |
| 6.1.1 实验平台和数据 | 第58-59页 |
| 6.1.2 实验结果分析 | 第59-61页 |
| 6.2 基于增量式决策树的时间序列分类 | 第61-66页 |
| 6.2.1 实验平台和数据 | 第61-62页 |
| 6.2.2 实验结果分析 | 第62-66页 |
| 6.3 基于shapelets的增量式时间序列分类 | 第66-69页 |
| 6.3.1 实验平台和数据 | 第66页 |
| 6.3.2 实验结果分析 | 第66-69页 |
| 6.4 本章总结 | 第69-70页 |
| 7 总结与展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第75-77页 |
| 学位论文数据集 | 第77页 |