本文主要研究内容
作者王子一（2019）在《基于特征提取的时间序列分类方法的研究》一文中研究指出：时间序列分类是时间序列分析中的一个值得关注的问题,已经在数据挖掘领域引起了极大的研究兴趣。时间序列是一组在等间隔时间点上定量特征的有序观测值,根据其观测的维度可以将时间序列划分为单变量时间序列和多变量时间序列,一般如果不做特殊说明,时间序列指的是单变量时间序列。时间序列由于其数据本身往往存在扭曲、变形以及不等长等特点,导致了基于传统的机器学习分类方法很难处理时间序列分类问题。目前,时间序列分类的方法主要包括时间序列相似性度量的方法和时间序列特征提取的方法。时间序列相似性度量的方法主要关注时间序列数据之间的扭曲不变性、位移和幅度的不变性等。时间序列特征提取的方法包括时间序列差异性子段的发现和时间序列的特征变换。基于时间序列相似性度量的研究目前很难取得突破性进展;基于差异性子段发现的时间序列分类方法时间复杂度比较高,分类精度也还有很大的提升空间;基于时间序列特征提取方法虽然在时间序列分类任务上取得了较好的效果,但是特征的提取较为繁琐,往往需要领域知识来手工设计特征。因此,为了解决时间序列分类中搜索差异性子段时间复杂度较高、单一差异性子段分类精度有限和手工提取特征较为繁琐等问题,本文展开了相关研究,其主要工作如下:1.提出了一种基于差异性子段发现的时间序列分类方法。首先对时间序列进行切分,然后对切分后的子段使用k-Shape算法进行聚类,在聚类的结果中寻找两类时间序列各自的差异性子段,并以此作为后续分类依据,最后在实验部分给出了算法的时间复杂度并在UCR数据集上验证了算法的有效性和适用性。2.提出了一种时间序列的多粒度集成分类方法,可以同时提取不同粒度时间序列的特征。在时间序列的多粒度集成分类方法中,不稳定的基学习器被赋予不同的权重构建最后的集成学习器。由于不同基学习器的训练结果表示原始时间序列中不同子段的重要程度,因此,时间序列的多粒度集成分类方法可以发现时间序列数据中的差异性子段,为时间序列的分类提供了可解释性。在实验部分,与现有的时间序列分类算法在25个UCR数据集上进行了对比实验并分析了算法的性能,最后实验结果表明,将数据进行更细粒度的划分可以提高集成的多样性,更近一步验证了算法能有效的发现时间序列中的差异性子段。3.提出了一种基于多任务学习的时间序列分类方法。在该方法中,卷积神经网络与生成对抗网络中的判别器共享第一层卷积层参数,这使得卷积神经网络能够提取到更加丰富的特征,从而提高模型的泛化性能。在实验部分,与12种现有的时间序列分类方法在UCR数据集上进行对比并评估该方法的性能。此外,还将提出的模型与LSTM、GRU和CNN在电力负载数据集上进行比较,这些数据来自于某一区域电力工厂的电力设备。实验结果表明,该模型比其它深度学习模型具有更高的设备识别精度。
Abstract
shi jian xu lie fen lei shi shi jian xu lie fen xi zhong de yi ge zhi de guan zhu de wen ti ,yi jing zai shu ju wa jue ling yu yin qi le ji da de yan jiu xing qu 。shi jian xu lie shi yi zu zai deng jian ge shi jian dian shang ding liang te zheng de you xu guan ce zhi ,gen ju ji guan ce de wei du ke yi jiang shi jian xu lie hua fen wei chan bian liang shi jian xu lie he duo bian liang shi jian xu lie ,yi ban ru guo bu zuo te shu shui ming ,shi jian xu lie zhi de shi chan bian liang shi jian xu lie 。shi jian xu lie you yu ji shu ju ben shen wang wang cun zai niu qu 、bian xing yi ji bu deng chang deng te dian ,dao zhi le ji yu chuan tong de ji qi xue xi fen lei fang fa hen nan chu li shi jian xu lie fen lei wen ti 。mu qian ,shi jian xu lie fen lei de fang fa zhu yao bao gua shi jian xu lie xiang shi xing du liang de fang fa he shi jian xu lie te zheng di qu de fang fa 。shi jian xu lie xiang shi xing du liang de fang fa zhu yao guan zhu shi jian xu lie shu ju zhi jian de niu qu bu bian xing 、wei yi he fu du de bu bian xing deng 。shi jian xu lie te zheng di qu de fang fa bao gua shi jian xu lie cha yi xing zi duan de fa xian he shi jian xu lie de te zheng bian huan 。ji yu shi jian xu lie xiang shi xing du liang de yan jiu mu qian hen nan qu de tu po xing jin zhan ;ji yu cha yi xing zi duan fa xian de shi jian xu lie fen lei fang fa shi jian fu za du bi jiao gao ,fen lei jing du ye hai you hen da de di sheng kong jian ;ji yu shi jian xu lie te zheng di qu fang fa sui ran zai shi jian xu lie fen lei ren wu shang qu de le jiao hao de xiao guo ,dan shi te zheng de di qu jiao wei fan suo ,wang wang xu yao ling yu zhi shi lai shou gong she ji te zheng 。yin ci ,wei le jie jue shi jian xu lie fen lei zhong sou suo cha yi xing zi duan shi jian fu za du jiao gao 、chan yi cha yi xing zi duan fen lei jing du you xian he shou gong di qu te zheng jiao wei fan suo deng wen ti ,ben wen zhan kai le xiang guan yan jiu ,ji zhu yao gong zuo ru xia :1.di chu le yi chong ji yu cha yi xing zi duan fa xian de shi jian xu lie fen lei fang fa 。shou xian dui shi jian xu lie jin hang qie fen ,ran hou dui qie fen hou de zi duan shi yong k-Shapesuan fa jin hang ju lei ,zai ju lei de jie guo zhong xun zhao liang lei shi jian xu lie ge zi de cha yi xing zi duan ,bing yi ci zuo wei hou xu fen lei yi ju ,zui hou zai shi yan bu fen gei chu le suan fa de shi jian fu za du bing zai UCRshu ju ji shang yan zheng le suan fa de you xiao xing he kuo yong xing 。2.di chu le yi chong shi jian xu lie de duo li du ji cheng fen lei fang fa ,ke yi tong shi di qu bu tong li du shi jian xu lie de te zheng 。zai shi jian xu lie de duo li du ji cheng fen lei fang fa zhong ,bu wen ding de ji xue xi qi bei fu yu bu tong de quan chong gou jian zui hou de ji cheng xue xi qi 。you yu bu tong ji xue xi qi de xun lian jie guo biao shi yuan shi shi jian xu lie zhong bu tong zi duan de chong yao cheng du ,yin ci ,shi jian xu lie de duo li du ji cheng fen lei fang fa ke yi fa xian shi jian xu lie shu ju zhong de cha yi xing zi duan ,wei shi jian xu lie de fen lei di gong le ke jie shi xing 。zai shi yan bu fen ,yu xian you de shi jian xu lie fen lei suan fa zai 25ge UCRshu ju ji shang jin hang le dui bi shi yan bing fen xi le suan fa de xing neng ,zui hou shi yan jie guo biao ming ,jiang shu ju jin hang geng xi li du de hua fen ke yi di gao ji cheng de duo yang xing ,geng jin yi bu yan zheng le suan fa neng you xiao de fa xian shi jian xu lie zhong de cha yi xing zi duan 。3.di chu le yi chong ji yu duo ren wu xue xi de shi jian xu lie fen lei fang fa 。zai gai fang fa zhong ,juan ji shen jing wang lao yu sheng cheng dui kang wang lao zhong de pan bie qi gong xiang di yi ceng juan ji ceng can shu ,zhe shi de juan ji shen jing wang lao neng gou di qu dao geng jia feng fu de te zheng ,cong er di gao mo xing de fan hua xing neng 。zai shi yan bu fen ,yu 12chong xian you de shi jian xu lie fen lei fang fa zai UCRshu ju ji shang jin hang dui bi bing ping gu gai fang fa de xing neng 。ci wai ,hai jiang di chu de mo xing yu LSTM、GRUhe CNNzai dian li fu zai shu ju ji shang jin hang bi jiao ,zhe xie shu ju lai zi yu mou yi ou yu dian li gong an de dian li she bei 。shi yan jie guo biao ming ,gai mo xing bi ji ta shen du xue xi mo xing ju you geng gao de she bei shi bie jing du 。
论文参考文献
论文详细介绍
论文作者分别是来自南京大学的王子一，发表于刊物南京大学2019-07-02论文，是一篇关于时间序列论文,集成学习论文,多粒度论文,卷积神经网络论文,生成对抗网络论文,南京大学2019-07-02论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自南京大学2019-07-02论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：时间序列论文; 集成学习论文; 多粒度论文; 卷积神经网络论文; 生成对抗网络论文; 南京大学2019-07-02论文;