基于模型和深度学习的多变量时间序列分类研究

发布时间：2023-02-11 08:44

　　多变量时间序列(MTS:multivariate time series)分类是根据已知MTS提取特征或者训练模型将未知的MTS标记上已知标签的过程,该工作是当前数据挖掘和模式识别领域最具挑战性的问题之一。在MTS分类的研究工作中,传统方法通过计算距离、提取特征进行分类。然而,随着大数据时代的到来,时间序列数据大量产生,涉及人类生产生活的方方面面,如金融领域、医疗健康领域、工业生产、人类模式识别等,数据的多样性、复杂程度在不断增加,加大了分类难度。因此,开展MTS分类研究具有重要的理论意义和广泛的应用前景。本文研究工作如下:(1)MTS的变量之间具有很多的相关性信息,因此,我们利用多变量高斯模型的参数表示其中相关性。本文运用多变量高斯模型的重要参数协方差能够识别并捕获变量之间的相关性信息的特点,将原始MTS转换为多变量高斯模型参数,对其进行建模,使用多变量高斯模型表征MTS。并且推导出多变量高斯模型之间的KL(Kullback-Leibler)散度作为相似度度量进行分类。通过实验验证了基于KL散度和高斯模型的MTS分类方法在准确度上优于对比算法,证实了该方法的有效性。(2)通过充分分析...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究内容
    1.3 论文结构
    1.4 本章小结
第二章 相关工作
    2.1 时间序列相关描述
        2.1.1 时间序列基本概念
        2.1.2 时间序列数据挖掘
        2.1.3 多变量时间序列分类难点
    2.2 时间序列分类研究现状
    2.3 时间序列数据集
    2.4 本章小结
第三章 基于KL散度和高斯模型的多变量时间序列分类方法研究
    3.1 概述
    3.2 求解方法框架
    3.3 基于KL散度和高斯模型的多变量时间序列分类
        3.3.1 将多变量时间序列转化为多变量高斯模型参数
        3.3.2 利用Graphical Lasso求解稀疏逆协方差
        3.3.3 多变量高斯模型之间的Kullback-Leibler散度计算
        3.3.4 算法描述
    3.4 实验结果及分析
        3.4.1 数据集描述
        3.4.2 实验结果分析
        3.4.3 时间复杂度分析
        3.4.4 参数对性能的影响
    3.5 本章小结
第四章 基于FCN的多变量时间序列分类方法研究
    4.1 概述
    4.2 FCN结构描述
    4.3 基于FCN的多变量时间序列分类
        4.3.1 数据预处理
        4.3.2 FCN模型
        4.3.3 分类过程
    4.4 实验结果及分析
        4.4.1 数据集描述
        4.4.2 实验设置和评价标准
        4.4.3 实验结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读学位期间的学术活动及成果情况



本文编号：3740073