| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第18-30页 |
| 1.1 研究背景与意义 | 第18-19页 |
| 1.2 国内外发展现状 | 第19-27页 |
| 1.2.1 定义与符号 | 第20-21页 |
| 1.2.2 时间序列表示方法 | 第21-23页 |
| 1.2.3 时间序列分类方法 | 第23-27页 |
| 1.3 存在的问题 | 第27-28页 |
| 1.4 主要研究内容 | 第28-29页 |
| 1.5 论文组织 | 第29-30页 |
| 2 基于逻辑Shapelets转换的时间序列分类算法 | 第30-50页 |
| 2.1 引言 | 第30-32页 |
| 2.2 背景知识 | 第32-35页 |
| 2.3 Shapelets转换技术 | 第35-38页 |
| 2.4 加速技术与逻辑shapelets | 第38-45页 |
| 2.4.1 加速技术 | 第38-40页 |
| 2.4.2 逻辑shapelets | 第40-41页 |
| 2.4.3 发现逻辑shapelets | 第41-43页 |
| 2.4.4 转换时间序列 | 第43-44页 |
| 2.4.5 分类与准确率计算 | 第44-45页 |
| 2.5 实验评估 | 第45-49页 |
| 2.5.1 参数设置 | 第45-46页 |
| 2.5.2 速度比对 | 第46-47页 |
| 2.5.3 逻辑shapelets转换对比于shapelets转换 | 第47-48页 |
| 2.5.4 逻辑shapelets转换对比于其他分类器 | 第48页 |
| 2.5.5 实验总结 | 第48-49页 |
| 2.6 本章小结 | 第49-50页 |
| 3 基于Shapelet剪枝和覆盖的时间序列分类算法 | 第50-70页 |
| 3.1 引言 | 第50-51页 |
| 3.2 辨别性shapelets转换技术 | 第51-58页 |
| 3.2.1 候选shapelets | 第51-52页 |
| 3.2.2 Shapelet剪枝 | 第52-54页 |
| 3.2.3 Shapelet覆盖 | 第54-56页 |
| 3.2.4 整合shapelets剪枝和覆盖方法 | 第56-57页 |
| 3.2.5 辨别性逻辑shapelets | 第57-58页 |
| 3.3 实验与评价 | 第58-64页 |
| 3.3.1 实验数据集 | 第58-59页 |
| 3.3.2 覆盖参数 | 第59-60页 |
| 3.3.3 与shapelets树对比 | 第60-61页 |
| 3.3.4 与shapelets转换方法对比 | 第61-63页 |
| 3.3.5 辨别性shapelets与shapelets聚类对比 | 第63-64页 |
| 3.3.6 其他分类器 | 第64页 |
| 3.4 实例解析 | 第64-69页 |
| 3.4.1 Sony AIBO Robot数据集 | 第66-67页 |
| 3.4.2 Coffee数据集 | 第67-68页 |
| 3.4.3 ECG数据集 | 第68-69页 |
| 3.4.4 Shapetlets与数据表示 | 第69页 |
| 3.5 本章小结 | 第69-70页 |
| 4 时间序列关联式分类算法 | 第70-92页 |
| 4.1 引言 | 第70-72页 |
| 4.2 相关工作 | 第72-73页 |
| 4.3 定义与符号 | 第73-74页 |
| 4.4 关联式分类 | 第74-82页 |
| 4.4.1 算法概述 | 第75-76页 |
| 4.4.2 规则评价标准 | 第76-78页 |
| 4.4.3 急切关联式分类算法SCBA | 第78-80页 |
| 4.4.4 懒惰关联式分类算法 | 第80-82页 |
| 4.5 实验与评价 | 第82-89页 |
| 4.5.1 可扩展性实验 | 第82-84页 |
| 4.5.2 参数影响测试 | 第84-88页 |
| 4.5.3 对比实验 | 第88-89页 |
| 4.6 实例解析 | 第89-91页 |
| 4.6.1 Gun/NoGun数据集 | 第89-90页 |
| 4.6.2 CBF数据集 | 第90-91页 |
| 4.6.3 Coffee数据集 | 第91页 |
| 4.7 本章小结 | 第91-92页 |
| 5 时间序列对齐算法及其在k-NN中的应用 | 第92-112页 |
| 5.1 引言 | 第92-95页 |
| 5.2 背景知识 | 第95-96页 |
| 5.3 时间序列局部加权模型 | 第96-99页 |
| 5.3.1 局部加权DTW | 第97-98页 |
| 5.3.2 多变量时间序列 | 第98页 |
| 5.3.3 局部加权ED | 第98-99页 |
| 5.4 基于WDTW的最近邻算法 | 第99-100页 |
| 5.5 实验与评价 | 第100-105页 |
| 5.5.1 实验数据集 | 第100-102页 |
| 5.5.2 参数设置 | 第102-103页 |
| 5.5.3 结果展示 | 第103-105页 |
| 5.6 实例解析 | 第105-111页 |
| 5.6.1 人工数据集 | 第106-108页 |
| 5.6.2 真实数据集 | 第108-110页 |
| 5.6.3 多变量时间序列数据 | 第110-111页 |
| 5.7 本章小结 | 第111-112页 |
| 6 总结与展望 | 第112-116页 |
| 6.1 研究工作总结 | 第112-114页 |
| 6.2 未来工作展望 | 第114-116页 |
| 参考文献 | 第116-126页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第126-130页 |
| 学位论文数据集 | 第130页 |
