面向时间序列的增量模糊聚类算法研究

发布时间：2023-03-02 17:32

　　时间序列数据分布广泛、富蕴高价值信息,因此时间序列数据分析具有重要的研究意义。目前,面向时间序列数据开展的聚类算法为数较多,但由于时间序列数据的漂移特性,传统算法难以高效、精确地运行;同时,随着数据规模不断增大,传统算法在处理数据规模上的不足也进一步暴露。为此,本文重点对模糊聚类、动态时间规划距离和增量策略进行了深入研究,主要工作如下:(1)时间序列数据具有时间漂移特性,因此传统聚类算法难以对其进行精确聚类,而已有的采用基于动态时间规划距离的聚类算法效率较低,无法高效准确地对时间序列数据进行聚类。为高效精确的对时间序列数据聚类,本文第三章在模糊C均值算法和模糊C中心点算法中引入快速动态时间规划距离,设计了基于快速动态时间规划的模糊聚类算法。(2)时间序列数据规模逐渐扩大,数据不能全部存入内存;同时,实际应用中对聚类效率往往存在要求较高,这种需求超出了传统时间序列数据聚类的处理能力范围。因此,为处理大规模时间序列数据,本文第四章和第五章将增量策略(Single-Pass和Online)引入到模糊聚类算法中,提出增量式模糊聚类算法。该算法可以有效处理大规模数据,并提高聚类效率,为处理大规模...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
Abstract
1 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 面向时间序列数据的相似度计算方法
        1.2.2 面向时间序列数据的聚类算法
        1.2.3 增量算法
    1.3 主要工作及创新点
    1.4 论文的组织结构
2 增量模糊聚类算法及时间序列数据
    2.1 模糊聚类算法
        2.1.1 模糊聚类算法基本思想
        2.1.2 常用模糊聚类算法
    2.2 常用增量模糊聚类算法
    2.3 时间序列数据
    2.4 动态时间规划距离
    2.5 评价函数介绍
    2.6 本章小结
3 面向时间序列数据的快速模糊聚类算法
    3.1 引言
    3.2 面向时间序列的模糊聚类算法
    3.3 基于FDTW距离的模糊C中心点算法
        3.3.1 算法介绍
    3.4 实验设计及结果分析
        3.4.1 实验数据介绍
        3.4.2 评价函数
        3.4.3 实验结果分析
    3.5 本章小结
4 面向时间序列数据的增量模糊聚类算法
    4.1 引言
    4.2 基于DTW距离的WFCMDD
    4.3 基于DTW距离的增量模糊C中心点算法
    4.4 实验设计与结果分析
        4.4.1 实验数据介绍
        4.4.2 评价函数
        4.4.3 实验结果与分析
    4.5 本章小结
5 面向时间序列数据的增量快速模糊聚类算法
    5.1 引言
    5.2 基于FDTW的增量模糊C中心点算法
    5.3 实验设计与结果分析
    5.4 本章小结
6 总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
作者简历
学位论文数据集



本文编号：3752331