基于BP神经网络和半监督学习的时间序列分类模型研究

发布时间：2023-04-27 04:04

　　时间序列数据普遍存在于生产生活中,挖掘其中蕴含的信息对农业、工业、经济等行业决策具有重要的参考意义。时间序列分类问题是时间序列数据挖掘中一个重要的分支,同时也是其他挖掘任务的基础。传统的分类方法一般需要大量的已标记数据,通过大量已标记的数据的训练才能使分类器达到较高的分类效果。但标记数据的获得,常常需要耗费大量的时间和人力。同时,在现实应用中,一般存在大量未标记序列数据,这些未标记序列数据中也蕴含着数据分布信息。基于半监督学习的方法在标记数据较少的情况下,能通过未标记序列数据来构建具有较高分类准确率的分类器,大大地减少了人为标记所带来的时间和精力消耗。此外传统时间序列分类方法一般需要进行较为繁琐的特征抽取工作,比较影响最终分类方法的效率。BP神经网络可以实现较为复杂的非线性映射,较为方便地从原始数据中抽取特征表示,具有自学习能力和一定的概括能力。鉴于此,为了充分利用未标记序列数据,本文改进了一种半监督学习算法,并结合BP神经网络,开展基于BP神经网络和半监督学习的时间序列分类模型研究。研究内容如下:(1)总结了时间序列分类问题中的基础理论和相关算法,介绍并分析了半监督学习的目的与相关算...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 时间序列分类研究
        1.2.2 时间序列中的半监督学习分类算法
    1.3 本文主要研究内容
    1.4 论文组织结构
    1.5 本章小结
第二章 时间序列分析及分类研究基础
    2.1 时间序列相关定义
    2.2 相似性度量
    2.3 时间序列分类模型及其应用
        2.3.1 基于相似性的分类算法
        2.3.2 基于特征的分类算法
        2.3.3 基于神经网络的分类算法
    2.4 半监督分类算法
    2.5 本章小结
第三章 一种改进的半监督分类算法
    3.1 半监督学习在一类分类问题上的扩展——PU学习
    3.2 基于自主训练的半监督分类算法
    3.3 一种改进的半监督分类算法
        3.3.1 自主训练算法的改进——k-absorb算法
        3.3.2 基于PU学习和k-absorb的半监督分类算法
    3.4 实验与分析
        3.4.1 实验环境与数据
        3.4.2 实验结果与分析
    3.5 本章小结
第四章 基于BP神经网络和半监督学习的时间序列分类模型
    4.1 一种基于BP和朴素贝叶斯的BP_NB分类算法
        4.1.1 朴素贝叶斯分类器
        4.1.2 BP神经网络
        4.1.3 BP_NB时间序列分类算法
    4.2 基于BP神经网络和半监督学习的时间序列分类模型
        4.2.1 利用BP_NB算法训练基准分类器
        4.2.2 利用k-absorb算法扩大标记序列集
        4.2.3 基于BP_NB和k-absorb的时间序列分类模型
    4.3 实验及分析
        4.3.1 实验环境与数据
        4.3.2 实验结果与分析
    4.4 本章小结
第五章 总结与展望
    5.1 本文工作总结
    5.2 未来工作展望
参考文献
致谢
攻读硕士学位期间发表的论文



本文编号：3802832