| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 多变量时变数据的研究 | 第9页 |
| 1.2.2 变量间相关性分析 | 第9页 |
| 1.2.3 数据对象间相关性分析 | 第9-10页 |
| 1.3 本文研究内容 | 第10-11页 |
| 1.4 论文结构及章节安排 | 第11-12页 |
| 第二章 时序模式相似度量方法 | 第12-17页 |
| 2.1 经典度量指标 | 第12-13页 |
| 2.1.1 欧式距离 | 第12页 |
| 2.1.2 余弦相似度 | 第12-13页 |
| 2.1.3 皮尔逊相关系数 | 第13页 |
| 2.2 时序结构相似性评价方法 | 第13-15页 |
| 2.2.1 时变多变量结构 | 第13-14页 |
| 2.2.2 相似性评价指标 | 第14-15页 |
| 2.3 基于单变量与多变量的实验结果对比 | 第15-16页 |
| 2.4 本章小结 | 第16-17页 |
| 第三章 空间距离差异性度量方法 | 第17-22页 |
| 3.1 概率分布模型 | 第17-19页 |
| 3.1.1 频率分布直方图 | 第17-18页 |
| 3.1.2 高斯函数拟合 | 第18页 |
| 3.1.3 核密度估计 | 第18-19页 |
| 3.2 空间距离差异性评价方法 | 第19-20页 |
| 3.3 异常数据点的深入探索 | 第20-21页 |
| 3.4 本章小结 | 第21-22页 |
| 第四章 时变模式聚类探索 | 第22-27页 |
| 4.1 传统聚类算法 | 第22-25页 |
| 4.1.1 K-means算法 | 第22-23页 |
| 4.1.2 K-中心点算法 | 第23页 |
| 4.1.3 Agglomerative Nesting层次聚类算法 | 第23-24页 |
| 4.1.4 基于密度的聚类算法 | 第24-25页 |
| 4.2 基于相关性矩阵的时变模式聚类算法 | 第25-26页 |
| 4.2.1 相关性矩阵 | 第25-26页 |
| 4.2.2 基于时变模式的K-means++聚类算法 | 第26页 |
| 4.3 本章小结 | 第26-27页 |
| 第五章 案例分析 | 第27-31页 |
| 5.1 燃烧数据集 | 第27-29页 |
| 5.2 气候数据集 | 第29-30页 |
| 5.3 本章小结 | 第30-31页 |
| 第六章 结论与展望 | 第31-32页 |
| 参考文献 | 第32-35页 |
| 致谢 | 第35-37页 |
| 在学期间公开发表论文及著作情况 | 第37页 |