首页--数理科学和化学论文--概率论与数理统计论文--概率论(几率论、或然率论)论文--随机过程论文--平稳过程与二阶矩过程论文

基于DTW和LMNN的多维时间序列相似性分析方法

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

论文共86页,点击 下载论文
上一篇:沃恩·威廉斯与古斯塔夫·霍尔斯特管弦乐作品和声技法比较研究
下一篇:面向工业装配演示编程的动作识别