改进的聚类遗传算法：提升时间序列分割精度

在本研究中,针对Vincent S.Tseng等人提出的基于聚类和遗传算法的时间序列分割算法进行了一项关键改进。该原始算法中的适应值函数设计被认为存在不足，主要表现在子序列幅度对距离计算的影响以及缺乏明确的类间距概念，这可能会影响分割结果的准确性和模式识别能力。为此，作者提出两项关键改进策略： 首先，采用了归一化处理技术。这种技术旨在消除子序列幅度大小对距离计算的潜在干扰，确保算法在评估各个子序列相似度时更加公平，不受极端值或不均匀分布的影响。归一化可以使算法更加专注于时间序列内部结构和模式的相对变化，而非绝对数值。 其次，引入了类间距的概念。类间距强调的是分割结果中不同类别（或模式）之间的差异，这有助于增强算法对模式间差异的敏感度。通过这种方式，算法能够更好地区分不同的模式，提高分割结果的清晰度和一致性。 实验结果显示，这些改进措施显著提升了适应值函数的精度，使得算法在识别和划分时间序列子序列时表现得更为精确。通过对比改进前后的实验数据，可以直观地看到，优化后的算法在处理复杂时间序列数据时，其模式识别能力得到了显著提升，从而为时间序列分析提供了更为可靠的结果。 本文的工作对原有聚类和遗传算法的时间序列分割算法进行了实质性的优化，特别是在适应性评估和模式识别方面。这对于在诸如信号处理、金融时间序列分析、生物信息学等领域广泛应用的时间序列分析具有重要的实际意义。