论文摘要
时间序列分割是指将序列分割成不重叠的子序列集合的过程,是时间序列挖掘研究的重要任务之一,具有广泛的应用空间和重要的研究价值。时间序列分割的主要用途是:检测系统模型发生变化的时刻;创建数据的高级表示,识别和提取时间序列中的模式。在时间序列分割的研究领域中,专家学者们提出了多种分割算法及其改进算法,并且成功地应用于实际问题的知识获取。然而引入人工智能算法指导时间序列分割的相关研究比较少,将时间序列分割算法应用到交通行车序列数据及音频序列数据的研究也不是很多。本文结合交通行车数据及音频序列数据的内在特性,引入蚁群优化算法指导时间序列分割,并且应用于交通行车数据及音频序列数据的分析。首先,依据交通行车数据的内在特性,将蚁群优化算法引入到时间序列分割领域,提出窗口式蚁群序列分割算法。算法不仅考虑到了被蚂蚁访问过的少量路段上的信息素的加强外,同时依据时间序列的局部连续性特点,对其它未被访问的潜在的较优路段也进行一定的信息素更新。其次,针对蚁群序列分割算法在大规模问题应用上的时间效率瓶颈问题,提出部落蚁群序列分割算法。部落蚁群序列分割算法采用分治思想,将序列分解为多个子序列,再由一个部落对子序列进行分割,最后合并所有部落的解得到原序列的分割方案。接着,为进一步提高蚁群序列分割算法效率,对部落蚁群序列分割算法进行了并行化设计与实现。最后,将蚁群序列分割算法应用于数字音频序列数据分割的具体应用中。根据音频短时能量及信息熵等特征信息,利用蚁群算法检测出音频序列中各个单字音频片段的起始点和终止点位置,为后续的语音识别工作奠定了一定的基础。
论文目录
中文摘要Abstract第一章 绪论1.1 论文研究背景1.1.1 时间序列分割的研究背景1.1.2 蚁群优化算法的研究背景1.2 研究现状1.2.1 蚁群优化算法研究现状1.2.2 时间序列分割算法研究现状1.3 本文研究内容及意义第二章 时间序列分割算法2.1 时间序列分割形式化描述2.2 时间序列分割算法2.2.1 常用线性表示分割算法2.2.2 基于特殊点的分割算法2.2.3 基于智能算法的分割算法2.3 本章小结第三章 蚁群优化算法3.1 蚁群算法特点3.2 基本蚁群算法及其改进算法3.2.1 蚂蚁系统模型3.2.2 最大最小蚂蚁系统3.2.3 蚁群系统3.2.4 蚁群优化算法3.2.5 并行蚁群优化算法3.3 本章小结第四章 窗口式蚁群序列分割算法4.1 蚁群序列分割算法4.2 蚁群序列分割算法基本步骤4.2.1 下一点的访问方法4.2.2 分割消耗的计算方法4.2.3 信息素更新方法4.3 蚁群优化分割算法不足之处的分析4.4 窗口式蚁群序列分割算法4.5 改进前与改进后算法的实验效果比较4.6 WACOS在实际序列上的应用4.6.1 实验数据说明4.6.2 实验参数说明及结果4.7 本章小结第五章 并行部落蚁群优化算法5.1 并行算法评估指标5.2 并行蚁群优化模型5.3 基于OpenMP的并行模型在TSP问题上的应用5.3.1 OpenMP基本概念5.3.2 并行模型在TSP问题上的应用5.4 部落蚁群序列分割5.4.1 部落蚁群序列分割基本思想5.4.2 部落间联合操作5.5 并行部落蚁群优化模型5.5.1 双同步并行模型5.5.2 同异步并行模型5.5.3 双异步并行模型5.5.4 异同步并行模型5.6 并行蚁群优化算法在实际数据集上的应用5.6.1 实验数据说明5.6.2 实验参数设置说明及结果分析5.7 本章小结第六章 蚁群优化算法在数字音频分割中的应用6.1 数字音频序列分割应用背景及现状6.2 传统数字音频序列分割方法6.2.1 短时能量法6.2.2 短时过零率法6.3 传统数字分割方法的缺陷分析6.4 蚁群优化音频序列分割6.4.1 ACO数字音频分割思想6.4.2 ACO数字音频分割规则6.5 基于信息熵的分割修正6.5.1 基于信息熵的音频端点检测6.6 实验及结果分析6.6.1 实验评估准则6.6.2 实验及结果分析6.7 本章小结总结与展望参考文献致谢个人简历及在学校期间的研究成果及发表的学术论文
相关论文文献
标签:数据挖掘论文; 时间序列分割论文; 蚁群优化算法论文; 并行算法论文; 线性表示论文;