基于流形学习的时间序列聚类研究

发布时间：2017-06-29 00:01

  本文关键词：基于流形学习的时间序列聚类研究，，由笔耕文化传播整理发布。

【摘要】：现实世界不是静止不动的,而是随着时间在不断变化。时间序列一般是维数比较高且按时间次序进行排列的数据。它的生成过程极易受周围环境的影响,并且有部分噪声,时间点一般是连续且均匀分布的。聚类是对没有类标签的实例根据相似度进行分组,相似度大的实例分为一组,不同组之间的实例相似度最小。时间序列聚类普遍应用于工业、农业、交通、手势识别等行业。它的应用实例有很多,如投资组合风险管理、自然语言理解、交通流等。本文以时间序列数据为研究对象,探讨了利用不同的流形学习算法对时间序列数据进行聚类以及聚类融合,从而提高聚类性能。本文的主要研究工作如下:(1)基于流形学习的时间序列聚类研究。时间序列数据通常不仅数据量大,而且是高维的,直接对原始数据集进行聚类,得到的聚类性能一般不会很好。如何有效的对时间序列降维,而且保留原数据集的主要信息,是本文的一个研究点。针对时间序列这个特点,对来自不同领域的10个时间序列数据集,分别使用三种流形学习方法,局部保持投影(Locality Preserving Projection,LPP)、局部线性嵌入(Locally Linear Embedding,LLE)、邻域保持嵌入(Neighborhood Preserving Embedding,NPE)将其维数约简,并对降维后的数据用K-均值算法进行聚类。这三种流形学习方法既可以对高维数据进行维数约简,也可以试图去发现高维数据中存在的低维流形结构。将三种流形学习算法的实验结果分别与对原始数据直接K-均值聚类、使用主成分分析(Principal Component Analysis,PCA)降维后再聚类、使用分段聚合近似(Piecewise Aggregate Approximation,PAA)降维后再聚类的结果进行配对样本t检验,实验显示三种流形学习算法的聚类性能要好于这些方法。(2)基于流形学习的时间序列聚类融合研究。只使用一种聚类算法也许实验结果会不稳定,如今融合多个聚类的结果已成为一种趋势。聚类融合是将多个聚类算法或一种聚类算法通过不同的初始化或参数获得的多个聚类成员使用共识函数进行融合,获得最终的聚类结果。它能比较好地提升聚类算法的稳定性。对来自不同领域的10个时间序列数据集使用LPP、LLE、NPE进行维数约简,降维后的数据多次利用K-均值聚类得聚类成员,将这些聚类成员利用加权投票法进行聚类融合。将这三种算法的结果分别与对原始数据直接K-均值聚类、使用PCA降维后再聚类、使用PAA降维后再聚类的结果进行配对样本t检验,实验显示三种流形学习算法的聚类性能显著好于这些方法。
【关键词】：时间序列 聚类 局部保持投影 局部线性嵌入 邻域保持嵌入
【学位授予单位】：河北经贸大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP311.13;O211.61
【目录】：

• 摘要4-6
• Abstract6-10
• 1 绪论10-16
• 1.1 研究背景与意义10-11
• 1.2 国内外研究现状11-14
• 1.3 论文的主要工作14-15
• 1.4 论文的组织结构15-16
• 2 流形学习方法介绍16-21
• 2.1 基本概念16
• 2.2 局部保持投影16-18
• 2.3 局部线性嵌入18-19
• 2.4 邻域保持嵌入19-21
• 3 基于流形学习的时间序列聚类21-33
• 3.1 研究基础21-24
• 3.1.1 主成分分析21-22
• 3.1.2 分段聚合近似22
• 3.1.3 k-均值聚类22-23
• 3.1.4 单样本K-S检验和配对样本t检验23-24
• 3.2 基于LPP的时间序列聚类算法24-25
• 3.3 基于LLE的时间序列聚类算法25
• 3.4 基于NPE的时间序列聚类算法25-26
• 3.5 实验26-32
• 3.5.1 数据集描述26
• 3.5.2 评价准则26-27
• 3.5.3 性能比较27-28
• 3.5.4 结果显著差异分析28-29
• 3.5.5 参数对算法性能的影响29-32
• 3.6 本章小结32-33
• 4 基于流形学习的时间序列聚类融合33-44
• 4.1 研究基础33-34
• 4.1.1 聚类融合的相关概念33
• 4.1.2 类标记的转换33-34
• 4.1.3 基于互信息的聚类成员的权值34
• 4.2 基于LPP的时间序列聚类融合算法34-35
• 4.3 基于LLE的时间序列聚类融合算法35-36
• 4.4 基于NPE的时间序列聚类融合算法36-37
• 4.5 实验37-43
• 4.5.1 性能比较37-38
• 4.5.2 结果显著差异分析38-39
• 4.5.3 参数对算法性能的影响39-43
• 4.6 本章小结43-44
• 5 总结与展望44-46
• 5.1 总结44
• 5.2 展望44-46
• 参考文献46-51
• 致谢51-52
• 攻读学位期间取得的科研成果清单52

【相似文献】

中国期刊全文数据库 前10条

1 尹峻松;肖健;周宗潭;胡德文;;非线性流形学习方法的分析与应用[J];自然科学进展;2007年08期

2 刘志勇;王珏;;流形学习方法及其在头部姿势估计中的应用[J];贵州大学学报(自然科学版);2010年04期

3 周波;;两种基于谱方法的流形学习算法研究[J];云南民族大学学报(自然科学版);2008年04期

4 刘辉;杨俊安;王一;;基于流形学习的声目标特征提取方法研究[J];物理学报;2011年07期

5 张德国;汤一彬;朱昌平;韩庆邦;;改进的流形学习图像稀疏降噪方法[J];实验室研究与探索;2013年07期

6 刘凯伟;张冬梅;;基于流形学习的异常检测算法研究[J];计算机工程与应用;2013年13期

7 黄永毅;;基于流形学习降维技术的研究概述[J];中国科技信息;2013年14期

8 张辉远;;基于高光谱影像的流形学习降维方法近邻畸变分析[J];铁道勘察;2014年02期

9 黄添强;李凯;郑之;;有监督的噪音流形学习算法[J];广西师范大学学报(自然科学版);2011年03期

10 杜博;张乐飞;张良培;胡文斌;;高光谱图像降维的判别流形学习方法[J];光子学报;2013年03期

中国重要会议论文全文数据库 前4条

1 宋欣;王娟;张斌;叶世伟;;流形学习算法分析及在人脸数据库上的应用[A];2008年全国开放式分布与并行计算机学术会议论文集(上册)[C];2008年

2 刘晓平;季浩;邓伟财;;基于流形学习的非线性系统可视化算法[A];全国第21届计算机技术与应用学术会议（CACIS·2010）暨全国第2届安全关键技术与应用学术会议论文集[C];2010年

3 何慧;陈博;郭军;;基于流形学习的半监督文本情感分类算法[A];第五届全国信息检索学术会议论文集[C];2009年

4 蒋全胜;贾民平;胡建中;许飞云;;一种基于流形学习的故障模式识别方法[A];第九届全国振动理论及应用学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 苏祖强;基于泛化流形学习的风电机组传动系统早期故障诊断方法研究[D];重庆大学;2015年

2 黄焱;基于流形学习的金融数据分析方法研究[D];电子科技大学;2015年

3 马婧华;基于流形学习的旋转机械早期故障融合诊断方法研究[D];重庆大学;2015年

4 邢向磊;流形学习与稀疏表示在模式识别中的应用[D];南京大学;2013年

5 黄鸿;图嵌入框架下流形学习理论及应用研究[D];重庆大学;2008年

6 尹峻松;流形学习理论与方法研究及在人脸识别中的应用[D];国防科学技术大学;2007年

7 黄启宏;流形学习方法理论研究及图像中应用[D];电子科技大学;2007年

8 冯海亮;流形学习算法在人脸识别中的应用研究[D];重庆大学;2008年

9 曾宪华;流形学习的谱方法相关问题研究[D];北京交通大学;2009年

10 詹宇斌;流形学习理论与方法及其应用研究[D];国防科学技术大学;2011年

中国硕士学位论文全文数据库 前10条

1 胡浩松;基于流形学习的旋转机械故障识别方法研究[D];燕山大学;2015年

2 丁春涛;基于图嵌入的判别近邻分析研究及应用[D];苏州大学;2015年

3 余婵娟;交互式人脸检索中人机人脸认知一致性研究[D];上海大学;2015年

4 陈明霞;基于半监督的多流形学习算法研究[D];华侨大学;2015年

5 顾阳阳;基于流形学习的雷达辐射源识别技术[D];西安电子科技大学;2014年

6 高汉宇;基于最优r-覆盖堆积数本征维数估计方法及其应用[D];西安电子科技大学;2014年

7 罗廷金;基于流形学习的数据降维算法研究[D];国防科学技术大学;2013年

8 周韵然;基于流形学习的A股上市公司抽样的信用评价[D];电子科技大学;2014年

9 史仍浩;基于流形学习的在线社会网络节点分类[D];上海交通大学;2013年

10 陈诗文;流形学习在数据降维中的应用研究[D];浙江工业大学;2015年

  本文关键词：基于流形学习的时间序列聚类研究，由笔耕文化传播整理发布。

本文编号：495741