| 摘要 | 第1-12页 |
| ABSTRACT | 第12-16页 |
| Table of Contents | 第16-19页 |
| List of Tables | 第19-20页 |
| List of Figures | 第20-26页 |
| List of Algorithm | 第26-27页 |
| Chapter 1 Introduction | 第27-39页 |
| ·Tasks in Time Series Data Mining | 第28-36页 |
| ·Time Series Retrieval(i.e.,Query by Content) | 第29-32页 |
| ·Time Series Clustering | 第32-33页 |
| ·Time Series Classification | 第33-35页 |
| ·Time Series Segmentation | 第35-36页 |
| ·Organization of the thesis | 第36-39页 |
| Chapter 2 Convolutional Nonlinear Neighborhood Components Anal-ysis for Time Series Classification | 第39-53页 |
| ·Introduction | 第39-40页 |
| ·Related Work | 第40-41页 |
| ·Preliminaries | 第41-44页 |
| ·Definitions of Time Series and Subsequence | 第42页 |
| ·Distance Metric Learning | 第42-44页 |
| ·Convolutional Nonlinear NCA(CNNCA) | 第44-46页 |
| ·Architecture | 第44页 |
| ·Optimization | 第44-46页 |
| ·Classification with Distance Metric Learning | 第46页 |
| ·Experiments | 第46-51页 |
| ·Experimental Setup | 第46-47页 |
| ·Experimental Results | 第47-51页 |
| ·Conclusions and Future Work | 第51-53页 |
| Chapter 3 Exploiting Multi-Channels Deep Convolutional Neural Net-works for Multivariate Time Series Classification | 第53-79页 |
| ·Introduction | 第53-54页 |
| ·Preliminaries | 第54-56页 |
| ·Definitions and Notations | 第54-56页 |
| ·Multi-Channels Deep Convolutional Neural Networks | 第56-64页 |
| ·Architecture | 第57-59页 |
| ·Gradient-based Learning of MC-DCNN | 第59-62页 |
| ·Pretraining | 第62-64页 |
| ·Experiments | 第64-73页 |
| ·Activity Classification (Weakly Labeled Data) | 第64-67页 |
| ·Congestive Heart Failure Detection (Well Aligned Data) | 第67-69页 |
| ·Classification of Non-Invasive Fetal ECG (Well Aligned Data) | 第69-71页 |
| ·Evaluation of Activation functions and Pooling strategies | 第71页 |
| ·Visualization | 第71-72页 |
| ·Discussion | 第72-73页 |
| ·Related Work | 第73-74页 |
| ·Conclusion | 第74-79页 |
| Chapter 4 Earthquake Search Engine:A rapid determination of earth-quake sources | 第79-113页 |
| ·Introduction | 第79-81页 |
| ·Backgrounds and Related Work | 第81-82页 |
| ·Preliminary | 第82-87页 |
| ·Motivation | 第83-84页 |
| ·Problem Description | 第84-86页 |
| ·Approximate Nearest Neighbor Search | 第86页 |
| ·Dimension Reduction | 第86-87页 |
| ·Earthquake Search Engine | 第87-91页 |
| ·Construct Database | 第87-89页 |
| ·SeisE Indexing Module | 第89-90页 |
| ·SeisE Searching Module | 第90-91页 |
| ·SeisE Reordering Module | 第91页 |
| ·Experiments | 第91-111页 |
| ·Experiment on one-component seismograms | 第92页 |
| ·Building synthetic database | 第92-93页 |
| ·Experimental results | 第93-94页 |
| ·Experiment on three-components seismograms | 第94-96页 |
| ·Building synthetic database | 第96-101页 |
| ·Experimental Results | 第101-104页 |
| ·Determination of Parameters | 第104-108页 |
| ·Discussion | 第108-111页 |
| ·Conclusions | 第111-113页 |
| Chapter 5 Turning points prediction for stock price based on abun-dant technical indicators:a decision support system | 第113-135页 |
| ·Introduction | 第113-115页 |
| ·Related Work | 第115-116页 |
| ·Turning Points Detection | 第116-119页 |
| ·PIPs Identification | 第117-119页 |
| ·Fuzzy Rules to otain Turning Points | 第119页 |
| ·Features of Turning Points(Technical Indicators) | 第119-121页 |
| ·Classifiers | 第121-123页 |
| ·Random Forests | 第122页 |
| ·Gradient Boosting Decision Tree(GBDT) | 第122-123页 |
| ·Experiments | 第123-129页 |
| ·Are the Technical Indicators helpful? | 第123页 |
| ·Experiment Setup | 第123-124页 |
| ·How to evaluate? | 第124-125页 |
| ·Trading policy | 第125-126页 |
| ·Experimental Results | 第126-129页 |
| ·Discussions and Conclusions | 第129-135页 |
| Chapter 6 Conclusions | 第135-139页 |
| ·Summary of Thesis | 第136-139页 |
| References | 第139-147页 |
| Thanks | 第147-149页 |
| 在读期间发表的学术论文与取得的研究成果 | 第149-150页 |
