多变量时间序列异常识别与分类研究
需积分: 33 88 浏览量
更新于2024-08-09
收藏 752KB PDF 举报
"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。
2022-09-23 上传
2012-04-11 上传
2022-09-20 上传
2012-04-08 上传
2010-05-19 上传
2010-12-26 上传
2008-01-18 上传
2011-07-12 上传
点击了解资源详情
柯必Da
- 粉丝: 42
- 资源: 3807
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