多变量时间序列异常识别与分类研究

"这篇博士学位论文主要探讨了多变量时间序列（MTS）的异常识别与分类问题，由申请人翁小清在计算机科学与技术领域完成，导师为沈钧毅教授。研究工作得到了国家自然科学基金和河北省科技攻关项目的资助。" 本文的核心工作分为两个主要部分： 1. MTS异常识别研究： 论文首先从异常识别的角度出发，针对MTS的复杂性和变量间的相互依赖关系，提出了三种不同的识别方法：例外模式识别、异常样本识别和不和谐（不寻常）子序列识别。对于例外模式识别，作者创新性地运用了扩展Frobenius范数和K-均值聚类。这种方法通过计算MTS子序列间的距离，利用成本函数描述内部同质性，然后使用自底向上分割和K-均值聚类来识别例外模式。与传统的单变量时间序列方法相比，该方法在成本函数选择、分段数量确定、类中心选择以及聚类数量确定等方面有所改进，并在实际数据集上表现出能有效识别例外模式的能力。 2. MTS分类研究： 论文进一步关注MTS的分类问题，提出了两种特征提取方法：基于二维奇异值分解(2dSVD)和基于局部保持映射(LPP)的方法。2dSVD方法利用多维数据的结构，而LPP方法则保留了数据的局部特性。这两种方法旨在提取MTS的有效特征，从而提高分类性能。 在异常样本识别方面，论文引入了Solving Set的概念，利用扩展Frobenius范数计算样本间距离，结合k-近邻策略和Solving Set的构建，降低了时间复杂度，实现了对MTS异常样本的高效识别。这种方法相比于单变量时间序列方法，具有时间复杂度优势和更好的适应性。 此外，论文还在两个实际数据集上进行了实验，验证了所提方法的有效性和实用性。这些研究为MTS的异常检测和分类提供了新的理论和技术支持，对于金融、医学、多媒体和语音识别等领域的应用具有重要意义。 总结起来，这篇论文在多变量时间序列分析领域做出了重要贡献，不仅丰富了异常识别的理论框架，还推动了MTS分类技术的发展。通过结合新型的数学工具和优化算法，作者成功地解决了多变量时间序列中的复杂问题，为后续研究提供了有价值的参考。