| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外相关研究和综述 | 第9-12页 |
| 1.2.1 基于时间邻近度的时序聚类 | 第9-10页 |
| 1.2.2 基于特征变换的时序聚类 | 第10-11页 |
| 1.2.3 基于模型的时序聚类 | 第11-12页 |
| 1.3 问题的总结与分析 | 第12页 |
| 1.4 本文主要工作 | 第12-13页 |
| 1.5 本文组织结构 | 第13-14页 |
| 第2章 子空间聚类的相关基础知识 | 第14-23页 |
| 2.1 神经网络用于序列数据学习 | 第14-17页 |
| 2.1.1 循环神经网络 | 第14-15页 |
| 2.1.2 自编码神经网络 | 第15-17页 |
| 2.2 其他子空间学习 | 第17-19页 |
| 2.2.1 非负矩阵分解 | 第17-18页 |
| 2.2.2 主成分分析 | 第18-19页 |
| 2.3 常用的聚类评价标准 | 第19-22页 |
| 2.3.1 精确率、召回率和F值 | 第20页 |
| 2.3.2 归一化互信息 | 第20-21页 |
| 2.3.3 Rand指数和调整的Rand指数 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于LSTM_POOLING的时序数据聚类算法 | 第23-41页 |
| 3.1 引言 | 第23页 |
| 3.2 长短期记忆神经网络定义 | 第23-25页 |
| 3.3 算法设计与分析 | 第25-30页 |
| 3.3.1 算法思想 | 第25-26页 |
| 3.3.2 算法设计 | 第26-28页 |
| 3.3.3 参数更新 | 第28-30页 |
| 3.4 基于GPU的LSTM_POOLING算法并行化 | 第30页 |
| 3.5 实验结果与分析 | 第30-40页 |
| 3.5.1 实验数据 | 第30-32页 |
| 3.5.2 评价指标 | 第32-33页 |
| 3.5.3 提出方法的实验结果与分析 | 第33-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于时序上下文信息的时序数据聚类算法 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 解决方案定义 | 第41-43页 |
| 4.3 算法设计与分析 | 第43-47页 |
| 4.3.1 算法基本思想 | 第43页 |
| 4.3.2 算法设计 | 第43-47页 |
| 4.4 基于GPU的GRU_PATCH算法并行化 | 第47-48页 |
| 4.5 实验结果与分析 | 第48-54页 |
| 4.5.1 实验数据 | 第48页 |
| 4.5.2 实验过程及评价指标 | 第48-49页 |
| 4.5.3 提出方法的实验结果与分析 | 第49-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |