| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第12-30页 |
| 1.1 研究目的与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-27页 |
| 1.1.1 确定时间序列 | 第14-16页 |
| 1.1.2 不确定时间序列数据模型 | 第16-20页 |
| 1.1.3 不确定时间序列相似性度量 | 第20-23页 |
| 1.1.4 非参数密度估计方法 | 第23-26页 |
| 1.1.5 存在的主要问题 | 第26-27页 |
| 1.3 论文主要研究内容 | 第27页 |
| 1.4 论文组织结构 | 第27-30页 |
| 第2章 基于直方图密度估计的不确定时间序列相似性度量方法 | 第30-44页 |
| 2.1 研究背景 | 第30-31页 |
| 2.2 不确定时间序列的直方图密度估计模型 | 第31-34页 |
| 2.3 不确定时间序列的密度频繁模式挖掘 | 第34-35页 |
| 2.4 基于语义关系的不确定时间序列距离度量方法 | 第35-39页 |
| 2.4.1 不确定时间序列的模糊语义表示及相似性度量 | 第35-37页 |
| 2.4.2 不确定时间序列搜索方法 | 第37-39页 |
| 2.5 实验分析 | 第39-42页 |
| 2.5.1 实验思路 | 第39-40页 |
| 2.5.2 实验结果分析 | 第40-42页 |
| 2.6 本章小结 | 第42-44页 |
| 第3章 基于核密度估计的不确定时间序列相似性度量方法 | 第44-64页 |
| 3.1 研究背景 | 第44-46页 |
| 3.2 不确定时间序列的核密度估计模型 | 第46-49页 |
| 3.3 核密度估计模型的距离表示 | 第49-52页 |
| 3.4 基于随机模拟的相似性度量方法 | 第52-58页 |
| 3.5 实验分析 | 第58-62页 |
| 3.6 本章小结 | 第62-64页 |
| 第4章 基于高斯变换的高维不确定对象快速相似性度量方法 | 第64-84页 |
| 4.1 研究背景 | 第64-66页 |
| 4.2 基于改进快速高斯变换的不确定数据模型 | 第66-71页 |
| 4.2.1 不确定数据对象 | 第66-67页 |
| 4.2.2 基于改进式快速高斯变换的不确定数据模型 | 第67-71页 |
| 4.3 不确定对象间相似性度量 | 第71-72页 |
| 4.4 基于不确定数据聚类算法 | 第72-74页 |
| 4.5 实验 | 第74-82页 |
| 4.5.1 UCI数据集 | 第75-78页 |
| 4.5.2 真实数据集 | 第78-82页 |
| 4.6 本章小结 | 第82-84页 |
| 第5章 基于非参数密度估计的不确定轨迹预测方法 | 第84-106页 |
| 5.1 研究背景 | 第84-86页 |
| 5.2 非参数密度估计 | 第86-87页 |
| 5.3 不确定移动轨迹模型 | 第87-90页 |
| 5.4 基于假设检验的不确定轨迹相似性度量 | 第90-93页 |
| 5.5 轨迹预测算法 | 第93-95页 |
| 5.6 算法实施与性能分析 | 第95-104页 |
| 5.6.1 算法实施 | 第96-99页 |
| 5.6.2 算法性能分析 | 第99-104页 |
| 5.7 本章小结 | 第104-106页 |
| 结论 | 第106-108页 |
| 参考文献 | 第108-121页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第121-122页 |
| 致谢 | 第122页 |
