二维奇异值分解在多变量时间序列半监督分类中的应用
需积分: 50 35 浏览量
更新于2024-08-13
收藏 1.27MB PDF 举报
"这篇论文提出了一种基于二维奇异值分解(2DSVD)的多变量时间序列(MTS)半监督分类方法,旨在解决MTS变量间复杂关系带来的分类挑战。该方法通过计算行-行和列-列协方差矩阵的特征向量,有效地提取MTS样本的低维特征矩阵,保持并考虑了样本的二维特性。实验在10个MTS数据集上进行,结果证明该方法的分类效果优于其他几种常见方法,包括扩展Frobenius范数、中心序列以及基于一维奇异值分解的半监督分类技术。"
多变量时间序列分析是数据分析领域的一个重要分支,特别是在复杂的监控、预测和模式识别任务中。时间序列通常包含多个相关的变量,这些变量间的相互作用和依赖关系增加了分类的复杂性。传统的单变量时间序列方法可能无法有效处理这种复杂性,因此半监督学习方法在多变量场景中的应用变得至关重要。
二维奇异值分解(2DSVD)是一种矩阵分解技术,它可以将高维数据转换为低维表示,同时保留原始数据的主要结构和特性。在MTS的半监督分类中,2DSVD被用来提取具有二维特性的特征矩阵。这种方法首先计算协方差矩阵,协方差矩阵反映了变量之间的相关性,然后通过特征向量降维,使得特征矩阵的行数和列数减少,但依然能捕捉到MTS样本的关键信息。
半监督学习是机器学习的一种策略,它在有限的标记数据上训练模型,然后推广到大量未标记数据。对于MTS,由于标记数据获取成本高或难以获取,半监督学习尤其适用。论文中提到的方法利用2DSVD对未标记数据进行预处理,帮助模型更好地理解未标记数据的结构,从而提高分类性能。
实验部分展示了所提方法在各种MTS数据集上的优势,与传统方法相比,其分类精度有显著提升。这表明2DSVD能够更有效地处理MTS的复杂性和维度问题,提高了分类的准确性和鲁棒性。
这篇论文的贡献在于提供了一种新的、有效的多变量时间序列半监督分类方法,通过2DSVD技术解决了MTS变量间复杂关系的问题,并通过实验验证了其优越性能。这种方法对于处理大量未标记的多变量时间序列数据,特别是在资源有限的环境中,具有重要的实践意义。
2019-07-22 上传
2021-05-24 上传
2021-05-30 上传
2020-07-29 上传
2021-06-14 上传
2020-10-18 上传
2019-08-25 上传
点击了解资源详情
点击了解资源详情
weixin_38638688
- 粉丝: 2
- 资源: 925
最新资源
- 掌握压缩文件管理:2工作.zip文件使用指南
- 易语言动态版置入代码技术解析
- C语言编程实现电脑系统测试工具开发
- Wireshark 64位:全面网络协议分析器,支持Unix和Windows
- QtSingleApplication: 确保单一实例运行的高效库
- 深入了解Go语言的解析器组合器PARC
- Apycula包安装与使用指南
- AkerAutoSetup安装包使用指南
- Arduino Due实现VR耳机的设计与编程
- DependencySwizzler: Xamarin iOS 库实现故事板 UIViewControllers 依赖注入
- Apycula包发布说明与下载指南
- 创建可拖动交互式图表界面的ampersand-touch-charts
- CMake项目入门:创建简单的C++项目
- AksharaJaana-*.*.*.*安装包说明与下载
- Arduino天气时钟项目:源代码及DHT22库文件解析
- MediaPlayer_server:控制媒体播放器的高级服务器