本文關鍵詞：衛(wèi)星遙測數(shù)據(jù)的時間序列相似性度量方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：當前,通過運用數(shù)據(jù)挖掘?qū)πl(wèi)星遙測數(shù)據(jù)進行分析和建模,支撐衛(wèi)星測試數(shù)據(jù)自動判讀、狀態(tài)監(jiān)測和異常檢測、故障診斷和預測等,是航天領域研究的熱點和挑戰(zhàn)問題。然而,現(xiàn)有針對衛(wèi)星遙測數(shù)據(jù)的分析方法普遍建立在歐氏距離的基礎上,而采用歐氏距離進行數(shù)據(jù)的相似性度量存在諸多的局限性,如:無法消除參數(shù)間強相關性的影響、難以實現(xiàn)異步度量等,因此,針對衛(wèi)星遙測數(shù)據(jù)分析中相似性度量方法的不足,本文開展面向衛(wèi)星遙測數(shù)據(jù)的時間序列相似性度量方法研究。首先,針對在衛(wèi)星遙測數(shù)據(jù)分析中采用歐式距離進行時間序列之間相似性度量,存在不能消除參量之間的相關性影響以及難以實現(xiàn)異步度量等不足,研究能夠彌補現(xiàn)存局限的時間序列相似性度量方法,并采用與衛(wèi)星遙測數(shù)據(jù)特性相近的公開數(shù)據(jù)集進行實驗驗證,從而選取適用于單維和多維時間序列的候選時間序列相似性度量方法。其次,為了驗證候選時間序列相似性度量方法針對衛(wèi)星遙測數(shù)據(jù)的有效性,將度量方法應用至基于層次聚類和K近鄰(K-Nearest Neighbor,KNN)分類的異常檢測方法中,在實現(xiàn)衛(wèi)星遙測數(shù)據(jù)異常檢測的同時,驗證了基于動態(tài)時間規(guī)整(Dynamic Time Warping,DTW)距離的異常檢測方法能夠識別差異性更小的序列異常模式。最后,設計能夠?qū)崿F(xiàn)數(shù)據(jù)挖掘算法動態(tài)加載的數(shù)據(jù)挖掘軟件平臺,應用Matlab與C語言混合編程技術(shù)并結(jié)合數(shù)據(jù)挖掘軟件平臺的標準接口規(guī)范,完成相關的數(shù)據(jù)挖掘算法庫的開發(fā)與封裝,完成時間序列相似性度量方法的軟件應用。實驗驗證結(jié)果表明,應用針對衛(wèi)星遙測數(shù)據(jù)更為有效的相似性度量方法,能夠有效提升基于層次聚類和KNN分類的異常檢測方法的異常識別能力,同時,所開發(fā)的基于時間序列相似性度量方法的算法庫具有較好的實際應用價值。本文的研究工作為后續(xù)實際應用奠定了良好的方法和應用基礎。
【關鍵詞】：衛(wèi)星遙測數(shù)據(jù) 時間序列 相似性度量 異常檢測 混合編程
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：V557;TP311.13
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-18
• 1.1 課題背景及研究的目的和意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-16
• 1.2.1 衛(wèi)星遙測數(shù)據(jù)分析研究現(xiàn)狀9-11
• 1.2.2 時間序列相似性度量方法概述11-13
• 1.2.3 時間序列相似性度量方法研究現(xiàn)狀13-16
• 1.3 本文研究內(nèi)容與結(jié)構(gòu)16-18
• 第2章 時間序列相似性度量方法研究18-40
• 2.1 衛(wèi)星遙測數(shù)據(jù)特性分析18-23
• 2.1.1 衛(wèi)星遙測數(shù)據(jù)總體分析18
• 2.1.2 實際衛(wèi)星遙測數(shù)據(jù)分析18-20
• 2.1.3 衛(wèi)星遙測數(shù)據(jù)分段20-23
• 2.2 時間序列相似性度量方法23-28
• 2.2.1 馬氏距離23-24
• 2.2.2 DTW距離24-25
• 2.2.3 夾角距離25-27
• 2.2.4 改進灰色關聯(lián)度27-28
• 2.3 時間序列相似性度量方法驗證28-39
• 2.3.1 單維時間序列相似性度量方法驗證28-35
• 2.3.2 多維時間序列相似性度量方法驗證35-38
• 2.3.3 衛(wèi)星遙測數(shù)據(jù)相似性度量方法應用分析38-39
• 2.4 本章小結(jié)39-40
• 第3章 基于異常檢測的相似性度量方法性能評估40-58
• 3.1 基本概念40-41
• 3.1.1 時間序列異常檢測概述40-41
• 3.1.2 衛(wèi)星遙測數(shù)據(jù)異常情況41
• 3.2 基于時間序列相似性度量的異常檢測算法41-47
• 3.2.1 基于層次聚類和KNN分類的異常檢測方法框架42-43
• 3.2.2 基于時間序列相似性度量方法的層次聚類43-44
• 3.2.3 基于時間序列相似性度量方法的KNN分類44-46
• 3.2.4 衛(wèi)星遙測數(shù)據(jù)異常檢測框架46-47
• 3.3 單維時間序列異常檢測應用47-54
• 3.3.1 衛(wèi)星遙測異常數(shù)據(jù)仿真生成47-50
• 3.3.2 實驗驗證及評估50-54
• 3.4 多維時間序列異常檢測應用54-57
• 3.4.1 實驗設計54
• 3.4.2 實驗結(jié)果54-57
• 3.4.3 實驗分析57
• 3.5 本章小結(jié)57-58
• 第4章 時間序列相似性度量方法的軟件實現(xiàn)58-74
• 4.1 數(shù)據(jù)挖掘軟件平臺58-65
• 4.1.1 軟件平臺框架設計58-59
• 4.1.2 數(shù)據(jù)挖掘算法庫59-62
• 4.1.3 基于Hadoop的數(shù)據(jù)庫62-63
• 4.1.4 可視化呈現(xiàn)63-64
• 4.1.5 數(shù)據(jù)挖掘算法流程圖64-65
• 4.2 Matlab與C混合編程技術(shù)65-68
• 4.2.1 現(xiàn)有混合編程技術(shù)65-66
• 4.2.2 混合編程技術(shù)分析66-67
• 4.2.3 混合編程實現(xiàn)67-68
• 4.3 基于時間序列相似性度量方法的算法庫68-73
• 4.3.1 算法庫需求分析68
• 4.3.2 算法庫功能設計68-69
• 4.3.3 算法庫總體設計69
• 4.3.4 算法庫詳細設計69-70
• 4.3.5 算法庫測試70-73
• 4.4 本章小結(jié)73-74
• 結(jié)論74-76
• 參考文獻76-82
• 攻讀碩士學位期間發(fā)表的論文及其它成果82-84
• 致謝84

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 劉懿;鮑德沛;楊澤紅;趙雁南;賈培發(fā);王家欽;;新型時間序列相似性度量方法研究[J];計算機應用研究;2007年05期

2 肖瑞;劉國華;;基于趨勢的時間序列相似性度量和聚類研究[J];計算機應用研究;2014年09期

3 李犟;李緒志;;高速衛(wèi)星遙測數(shù)據(jù)處理系統(tǒng)的設計方案[J];計算機工程與設計;2012年01期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 邱明;語義相似性度量及其在設計管理系統(tǒng)中的應用[D];浙江大學;2006年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 陳然;基于相似性分析的時間序列異常檢測研究[D];西南交通大學;2011年

  本文關鍵詞：衛(wèi)星遙測數(shù)據(jù)的時間序列相似性度量方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：372350