时间序列数据转换和分类算法研究.pdfVIP

在多维时间序列的符号化研究中，本文采用聚类融合算法对截面数据进行聚类，将 每个截面的数据用聚类标识来表示，以此得到稳定的符号化结果．本文提出了多种面对 Cluster AdaptiveEnsembles，BACE)在聚类成员生成阶段采用了新的训练集抽样策略， 在共识函数设计方面采用了基于互信息的投票机制，从而构建了一种新的聚类融合算法， 为聚类融合算法的研究做出了贡献，同时也为多维时问序列的符号化研究提供了新的有 效方法．实验表明。本文提出的BACE算法具有较高的鲁棒性和稳定性． 在时间序列数据转换研究中，在序列符号化的基础上，本文提出了一种新的基于模 度)实现了时间序列的数据转换，并充分考虑了时间序列挖掘问题中重要的动态特征，将 不等长的时闻序歹【J转换为等长的向量，为面向截面数据的分类算法在序列数据分类同题 中的应用提供了条件．本文对所采用的Markov链模型的鲁棒性做了深入的理论分析．最 后实验还发现，用本文提出的序列数据转换方法进行数据转换后．最大似然法(Maximum Likelihood Estimation，MLE)在电信企业客户流失问题的研究中表现出较强的鲁棒性和 有效性． 在序列分类算法的比较中，本文深入分析了基于距离的和基于模型的两类序列分类 算法在不同因素影响下的效果．在不同的合成数据集和实际数据集上从三个角度进行了 系统的比较分析．一是研究了两类算法受识l练样本大小的影响；二是研究了序列长度对 算法的影响；三是比较了在不同噪声情形下，两类算法的性能变化．实验得出两类算法 在不同因素影响下的性能表现，从而为今后发展新的算法提供了有力依据． 本文最后分析了研究中的不足之处，指出了存在的同题以及进一步研究的方向． 关键词：时间序列；Markov链模型；Boosting算法；聚类融合；分类； ResearchOilDataTrartsformandClassification forTimeSeries Algorithms Softwareand Theory Major：Computer Name：YaDgYiming Leiand Prof．Yan Supervisors：Prof．LiZheng-an Abstract andtime in isoneofthe taskstimeseriesdata Unlikethetraditionalmethods‘ important mining andproblemformulationsintimes鲥∞analym．time as orderto toeadl adiscretelabel．Inconttaettocr∞s sequenominput．in assign seque目nce sectiondata．time∞ri∞datainclodes Time-Domainthatmaketime complex Symptoms series difficult classificationmuchmore then classification．A di伍cifity general major i8duetothefactthatthe