基于间隔理论的序列数据挖掘研究

摘要	第1-6页
Abstract	第6-14页
第1章 绪论	第14-30页
·课题背景及研究意义	第14-15页
·大数据时代下的知识发现策略	第15-17页
·序列数据挖掘的历史与研究现状	第17-22页
·时序分析：从线性到非线性	第17-19页
·数据挖掘：从静态数据到序列数据	第19页
·序列数据挖掘研究现状	第19-22页
·序列数据挖掘问题的难点	第22-23页
·大间隔理论框架	第23-27页
·本文主要研究内容和组织结构	第27-30页
第2章 基于间隔的序列数据相似度量学习	第30-56页
·引言	第30-31页
·序列数据相似度量的框架与概念	第31-32页
·序列数据相似度量研究现状及存在问题	第32-34页
·弹性度量方法的约束学习	第34-46页
·常见的约束类型	第35-37页
·序列匹配路径的约束学习	第37-40页
·路径学习的数据约简	第40-42页
·实验结果分析	第42-45页
·约束学习的约简效率	第45-46页
·基于间隔的高维度量学习	第46-53页
·度量不稳定问题描述	第47-50页
·基于间隔的范数学习	第50-52页
·实验结果	第52-53页
·本章小结	第53-56页
第3章 序列特征片段模式抽取方法研究	第56-75页
·引言	第56-57页
·片段模式的动机与机理分析	第57-59页
·数据的特征选择和抽取	第59-63页
·数据特征选择机理分析	第59-60页
·静态数据的特征选择	第60-63页
·基于间隔的特征片段自适应提取	第63-67页
·特征片段分割算法	第63-64页
·基于间隔的特征片段评价	第64-65页
·特征片段学习算法	第65-66页
·基于近邻的特征评价验证	第66-67页
·基于特征的序列数据分类	第67-73页
·数据集描述	第67-68页
·特征片段选择	第68-70页
·基于特征片段的近邻分类	第70-71页
·结论解释性分析	第71-72页
·特征评价	第72-73页
·与Shapelet算法的比较	第73-74页
·本章小结	第74-75页
第4章 基于间隔的序列数据的粗粒化表达研究	第75-91页
·引言	第75-76页
·序列数据重新表达的两种视角	第76-78页
·数据属性的变换	第76-77页
·数据结构关系的变换	第77-78页
·序列数据表达的研究方法现状	第78-81页
·无监督的降维及符号化方法	第78-81页
·有监督的序列数据表达方法	第81页
·基于间隔的时序数据降维及符号化方法	第81-87页
·数据表达对数据挖掘的影响	第82-84页
·基于间隔理论的降维	第84-86页
·粗粒化序列的距离度量	第86-87页
·实验结果及分析	第87-89页
·数据集	第87页
·实验结果	第87-89页
·本章小结	第89-91页
第5章 基于间隔的序列数据近邻分类器设计	第91-109页
·引言	第91-92页
·关键案例的挑选	第92-98页
·案例的编辑和约简	第92-94页
·案例的挑选的研究现状	第94-98页
·基于间隔的序列实例加权分类	第98-102页
·问题的提出	第98页
·度量的两个视角	第98-101页
·基于间隔的序列实例加权算法	第101-102页
·基于大间隔理论的分类器设计	第102-103页
·算法典型应用案例	第103-108页
·心电图的模式分类	第103-106页
·射击运动姿态轨迹模式分类	第106-108页
·本章小结	第108-109页
结论与展望	第109-111页
参考文献	第111-127页
攻读博士学位期间发表的学术论文及其它成果	第127-129页
致谢	第129-131页
个人简历	第131页