基于扩展Frobenius范数的MTS例外模式识别与异常样本检测
"这篇资源是关于多变量时间序列异常识别与分类的研究,主要涉及MTS例外模式的识别方法。作者翁小清在其博士学位论文中,针对现有方法在处理多变量时间序列异常识别上的局限,提出了一种基于扩展Frobenius范数和K-均值聚类的新方法。该方法通过预处理、MTS分割和聚类等步骤来识别异常模式,并探讨了最佳分段和聚类数量的选择。此外,论文还涵盖了异常样本的识别以及不和谐子序列的检测。研究得到了国家自然科学基金和河北省科技攻关项目的资助。" 在《本章小结-redboot中文手册》中,主要总结了MTS(多变量时间序列)的例外模式识别技术。本章首先介绍了相关的背景知识,包括奇异值分解、扩展Frobenius范数、例外模式的定义、MTS分割所用的两种成本函数(基于重构误差Q和基于Hotelling T2度量)以及K-均值聚类等基础知识。然后,提出了一种新的识别方法,该方法基于扩展Frobenius范数来衡量两个MTS子序列之间的距离,结合基于重构误差或Hotelling T2度量的成本函数评估子序列内部的一致性。通过自底向上的分割策略,将MTS拆分成不重叠的子序列,并利用K-均值聚类对子序列进行分类,形成模式集合。通过对模式集合中的模式计算例外支持度和频率,识别出异常模式。研究还讨论了最优分段数和聚类数的选择,并分析了算法的时间复杂度。 在翁小清的博士学位论文《多变量时间序列的异常识别与分类研究》中,进一步深入探讨了MTS异常识别的问题。论文不仅限于例外模式的识别,还包括异常样本的检测和MTS的分类。对于MTS例外模式识别,论文提出的方法同样基于扩展Frobenius范数和K-均值聚类,但更侧重于实证研究和应用效果。实验表明,这种方法能有效识别出具有意义的异常模式。此外,论文还关注了在MTS样本集中的异常样本识别,提出了基于SolvingSet的方法,适应于处理多变量时间序列的异常样本识别挑战。 这两个资源都关注于多变量时间序列的异常识别,通过扩展Frobenius范数和聚类算法提供了有效的识别手段,同时探讨了在实际应用中的优化策略和性能分析。这些研究对于理解和处理复杂数据集中的异常行为具有重要意义,特别是在金融、医学、多媒体和语音识别等领域的数据分析中。
- 粉丝: 56
- 资源: 4093
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 最优条件下三次B样条小波边缘检测算子研究
- 深入解析:wav文件格式结构
- JIRA系统配置指南:代理与SSL设置
- 入门必备:电阻电容识别全解析
- U盘制作启动盘:详细教程解决无光驱装系统难题
- Eclipse快捷键大全:提升开发效率的必备秘籍
- C++ Primer Plus中文版:深入学习C++编程必备
- Eclipse常用快捷键汇总与操作指南
- JavaScript作用域解析与面向对象基础
- 软通动力Java笔试题解析
- 自定义标签配置与使用指南
- Android Intent深度解析:组件通信与广播机制
- 增强MyEclipse代码提示功能设置教程
- x86下VMware环境中Openwrt编译与LuCI集成指南
- S3C2440A嵌入式终端电源管理系统设计探讨
- Intel DTCP-IP技术在数字家庭中的内容保护