时间序列数据挖掘中的特征表示与相似性度量方法研究

摘要	第1-6页
Abstract	第6-12页
1 绪论	第12-31页
·研究背景及意义	第12-15页
·选题背景	第12-13页
·研究意义	第13-15页
·国内外研究现状	第15-27页
·时间序列特征表示研究现状	第15-20页
·时间序列相似性度量研究现状	第20-25页
·已有研究不足	第25-27页
·本文的研究内容和结构	第27-31页
·研究内容	第27-28页
·论文结构	第28-31页
2 基于正交多项式回归系数的特征表示及相似性度量	第31-46页
·正交多项式回归系数特征表示	第31-33页
·拟合效果分析	第33-34页
·相似性度量	第34-38页
·数值实验	第38-44页
·拟合误差分析	第38-39页
·下界紧凑性及数据剪枝能力	第39-41页
·时间序列分类和聚类	第41-44页
·本章小结	第44-46页
3 分段聚合特征表示及相似性度量	第46-74页
·分段聚合近似	第46-48页
·基于二维统计特征的分段聚合近似	第48-54页
·分段聚合近似的下界性	第48-49页
·线性统计特征	第49-51页
·非线性统计特征	第51-52页
·数值实验	第52-54页
·基于二维形态特征的分段符号聚合近似	第54-61页
·形态特征符号聚合近似	第55-58页
·相似性度量及算法描述	第58-60页
·数值实验	第60-61页
·基于主要形态特征的分段聚合近似	第61-72页
·主要形态特征表示	第62-65页
·相似性度量	第65-67页
·数值实验	第67-72页
·本章小结	第72-74页
4 分段云模型特征表示及相似性度量	第74-95页
·云模型简介	第74-77页
·时间序列云模型特征表示	第77-81页
·分段云近似	第78-79页
·自适应分段云近似	第79-81页
·云模型相似性度量	第81-87页
·基于期望曲线的云模型相似度计算方法	第81-85页
·基于最大边界曲线的云模型相似度计算方法	第85-87页
·基于云模型的时间序列相似性计算	第87页
·实验结果及分析	第87-93页
·仿真实验	第88-89页
·协同过滤推荐实验	第89-90页
·时间序列分类及时间代价分析	第90-92页
·时间序列聚类分析	第92-93页
·本章小结	第93-95页
5 基于弯曲距离的不等长时间序列相似性度量	第95-115页
·基于PLA和DDTW的时间序列相似性度量	第95-106页
·自适应分段线性表示	第96-102页
·相似性度量方法	第102-103页
·数值实验	第103-106页
·高效动态时间弯曲相似性搜索方法	第106-113页
·高效动态时间弯曲	第107-109页
·相似性搜索方法	第109-111页
·数值实验	第111-113页
·本章小结	第113-115页
6 特征表示和相似性度量在发动机数据挖掘中的应用	第115-127页
·基于形态特征的发动机参数特征识别	第115-121页
·数据来源	第115-117页
·参数特征识别方法	第117-120页
·数值实验	第120-121页
·基于统计特征的发动机故障检测	第121-126页
·最不相似模式发现算法	第122-123页
·基于非线性统计特征的异常检测	第123-124页
·数值实验	第124-126页
·本章小结	第126-127页
7 总结与展望	第127-131页
·论文的主要结论	第127-128页
·论文的主要创新点	第128-129页
·研究展望	第129-131页
参考文献	第131-141页
攻读博士学位期间完成学术论文情况	第141-143页
攻读博士学位期间参加科研项目情况	第143-144页
致谢	第144-145页
作者简介	第145-146页