基于深度学习的时间序列特征表示

发布时间：2017-11-08 15:22

  本文关键词：基于深度学习的时间序列特征表示

  更多相关文章： 时间序列 数据挖掘 特征表示 度学习 限玻尔兹曼机 深信度网络

【摘要】：时间序列作为一种具有巨大挖掘价值的数据对象,广泛存在于各个领域之中,流媒体文件数据、金融财务数据、气象观测数据、人口普查数据、系统日志数据等都是时间序列的存在形式。相应地,时间序列数据挖掘的研究成果已经成功地在气象、交通、金融、工业、医药、计算机系统与网络、农业等领域实现了具体的应用。时间序列数据中蕴含着巨大的有价值的信息,包括了直观可见的信息和隐含潜在的知识,研究如何有效地挖掘出时间序列数据中隐含的、潜在的知识与信息,具有重要的理论价值和现实意义。然而,由于时间序列数据的时序相关性、维度高、海量性和多特征等特性,使得如何有效地对时间序列数据进行特征表示,从而更有效地进行数据挖掘工作面临着巨大的挑战。时间序列的特征表示是在保留时间序列关键信息的前提下,降低时间序列数据的维度及除去噪声,有效地选择维度低、数量少且能反映原时间序列数据主要规律信息的特征子集,从而实现时间序列数据的特征表示和维度简约。传统的时间序列特征表示方法主要是根据一个假想的数学模型对时间序列进行踩点取样,这类方法不直观,并且需要对时间序列数据很有研究的专家构建数学模型,在特征投影时容易丢失掉时间域上的重要信息,所以传统的时间序列数据特征表示方法对于当今大数据时代海量的时间序列数据的处理显然是力不从心。本文深入研究时间序列数据挖掘研究中的特征表示问题,通过分析研究已有的时间序列特征表示方法的优势与缺陷。借鉴深度学习在计算机视觉／图像识别领域取得的突破性研究成果,将深度学习的最新研究成果应用于时间序列数据的特征表示工作,通过深入研究了多种深度学习模型,最终发掘出深信度网络模型对于时间序列特征表示具有优越的性能。并将该模型在19套UCR时间序列基准数据集上与传统的四种特征表示算法进行性能比对。
【学位授予单位】：云南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP311.13;O211.61

【相似文献】

中国期刊全文数据库 前10条

1 周宝宏;;蛋白激酶的序列特征型[J];国外医学(分子生物学分册);1989年04期

2 马京生,蒋锦昌;地震前动物异常的序列特征及其分析[J];西北地震学报;1982年01期

3 王洪波;郭珍珍;于家峰;王吉华;;基于序列及结构特征的固有无序蛋白—核酸相互作用位点预测分析[J];德州学院学报;2014年02期

4 焦典;顾珉;傅静;李石法;谢建明;孙啸;;基于特征的核酸序列数据库搜索系统[J];中国生物医学工程学报;2006年06期

5 张光亚;葛慧华;方柏山;;基于不同序列特征值预测氧化还原酶辅酶类型的研究[J];计算机与应用化学;2008年05期

6 喻达辉,李有宁,吴开畅;中国、日本和澳大利亚珍珠贝的ITS2序列特征分析[J];南方水产;2005年02期

7 张强;李宏;赵小庆;许士华;;基因外显子连接序列与相应内含子序列的相互作用[J];生物信息学;2013年03期

8 陈翠霞,李前忠;模式生物基因序列的识别[J];内蒙古大学学报(自然科学版);2005年04期

9 韩忠敏;昝玉玺;王天云;;人β-干扰素核基质结合区序列的克隆与分析[J];郑州铁路职业技术学院学报;2007年02期

10 吴敏;王星果;张营;徐建荣;顾志良;;溼线粒体ND5基因测序与序列特征分析[J];常熟理工学院学报;2011年02期

中国重要会议论文全文数据库 前6条

1 郭润芳;李多川;;疏绵状嗜热丝孢菌耐热几丁质酶基因的cDNA克隆及序列特征[A];2005热带亚热带微生物资源的遗传多样性与基因发掘利用研讨会论文集[C];2005年

2 习丙文;Mikulá，

本文编号：1157704