| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第14-30页 |
| 1.1 课题背景及意义 | 第14-16页 |
| 1.1.1 时间序列简介 | 第14-15页 |
| 1.1.2 课题的提出和意义 | 第15-16页 |
| 1.2 时间序列分析方法研究现状 | 第16-28页 |
| 1.2.1 特征提取与特征表示 | 第16-17页 |
| 1.2.2 分类算法 | 第17-22页 |
| 1.2.3 聚类算法 | 第22-24页 |
| 1.2.4 相似度分析方法 | 第24-26页 |
| 1.2.5 时间序列预测 | 第26-28页 |
| 1.3 本文主要工作 | 第28-30页 |
| 2 时间序列相似度分析研究现状 | 第30-40页 |
| 2.1 单维时间序列的相似度分析 | 第30-34页 |
| 2.1.1 特征提取与降维 | 第30-32页 |
| 2.1.2 相似性度量 | 第32-34页 |
| 2.2 多维时间序列的相似性分析 | 第34-35页 |
| 2.3 度量学习 | 第35-40页 |
| 2.3.1 基于相似和不相似约束的度量学习 | 第36页 |
| 2.3.2 基于信息理论的度量学习 | 第36-37页 |
| 2.3.3 基于概率模型的度量学习 | 第37-38页 |
| 2.3.4 基于大间隔的度量学习 | 第38页 |
| 2.3.5 其他 | 第38-40页 |
| 3 对DTW奇异点和高时间复杂度问题的改进 | 第40-58页 |
| 3.1 DTW概述 | 第40-43页 |
| 3.2 DTW的奇异点和高时间复杂度问题 | 第43-48页 |
| 3.2.1 奇异点问题 | 第44-46页 |
| 3.2.2 高时间复杂度问题及其解决方法 | 第46-48页 |
| 3.3 基于PLA和SDTW的改进方法 | 第48-51页 |
| 3.3.1 PLA介绍 | 第48-49页 |
| 3.3.2 Summation Dynamic Time Warping | 第49-51页 |
| 3.3.3 基于PLA和SDTW的相似性度量方法 | 第51页 |
| 3.4 实验 | 第51-56页 |
| 3.4.1 SDTW对解决奇异点问题的有效性 | 第51-54页 |
| 3.4.2 分类 | 第54-56页 |
| 3.5 本章小结 | 第56-58页 |
| 4 多维时间序列的相似度分析 | 第58-76页 |
| 4.1 概述 | 第58-60页 |
| 4.2 度量学习以及LMNN | 第60-63页 |
| 4.3 基于LMNN和DTW的相似性度量方法 | 第63-67页 |
| 4.4 基于LMNN和SDTW的相似性度量方法 | 第67-69页 |
| 4.5 实验 | 第69-75页 |
| 4.6 本章小结 | 第75-76页 |
| 5 总结与展望 | 第76-80页 |
| 5.1 本文总结 | 第76-77页 |
| 5.2 展望 | 第77-80页 |
| 参考文献 | 第80-86页 |
| 附录 | 第86页 |