| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-20页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 时间序列挖掘的研究现状 | 第10-17页 |
| 1.2.1 时间序列的相关定义 | 第10-12页 |
| 1.2.2 单变量时间序列的降维 | 第12-14页 |
| 1.2.3 单变量时间序列的相似性度量 | 第14-17页 |
| 1.3 本文的主要研究内容 | 第17-18页 |
| 1.4 本文的内容安排 | 第18-20页 |
| 2 多变量时间序列研究的相关技术 | 第20-30页 |
| 2.1 多变量时间序列的降维 | 第20-25页 |
| 2.1.1 特征提取 | 第20-23页 |
| 2.1.2 特征选择 | 第23-25页 |
| 2.2 多变量时间序列的相似性度量方法 | 第25-29页 |
| 2.2.1 扩展的欧式距离 | 第25-26页 |
| 2.2.2 扩展的动态时间弯曲距离 | 第26-27页 |
| 2.2.3 扩展的Frobenius范数距离 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 基于互信息的多变量时间序列特征选择 | 第30-44页 |
| 3.1 类可分离性和变量相关分析 | 第31-33页 |
| 3.1.1 类可分离性 | 第31-32页 |
| 3.1.2 变量相关分析 | 第32-33页 |
| 3.2 基于互信息的特征选择方法 | 第33-37页 |
| 3.3 实验结果与分析 | 第37-43页 |
| 3.3.1 CDMIFS与现有方法的比较 | 第38-41页 |
| 3.3.2 降维前后分类准确率和时间比较 | 第41-42页 |
| 3.3.3 CDMIFS算法与随机选择的变量进行分类比较 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 基于非相似原理的shapelets相似性度量方法的改进 | 第44-62页 |
| 4.1 shapelet基础概念和技术 | 第45-48页 |
| 4.2 基于非相似原理的shapelets相似性度量方法的改进 | 第48-54页 |
| 4.2.1 算法综述 | 第48-51页 |
| 4.2.2 参数分析 | 第51-53页 |
| 4.2.3 时间复杂度分析 | 第53-54页 |
| 4.3 实验结果与分析 | 第54-60页 |
| 4.3.1 单变量时间序列数据分类性能 | 第54-58页 |
| 4.3.2 多变量时间序列数据分类性能 | 第58-60页 |
| 4.4 本章小结 | 第60-62页 |
| 5 结论与展望 | 第62-64页 |
| 5.1 结论 | 第62页 |
| 5.2 不足与展望 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 硕士期间发表论文情况 | 第71-72页 |
| 致谢 | 第72-73页 |
