時間序列是對動態(tài)系統(tǒng)隨時間順序采集到的有序觀測值集合,通常具有高維、異質(zhì)和含噪聲等特點(diǎn)。觀測值之間在時序上可能存在或長或短的依賴關(guān)系,構(gòu)成特定的時序動態(tài)模式,因而不同于一般的向量數(shù)據(jù)。對于時間序列這樣的結(jié)構(gòu)化對象,關(guān)鍵研究問題是(1)如何獲得反映動態(tài)模式的精簡低維表示,使得學(xué)習(xí)器能夠利用具有動態(tài)行為的序列數(shù)據(jù),(2)如何定義具有判別性的距離度量方式,使得類內(nèi)距離小而類間距離大。本文提出基于模型空間的時間序列分類方法。該方法為每個時間序列學(xué)習(xí)函數(shù)模型,在函數(shù)模型集合張成的空間(稱為模型空間)中度量原始數(shù)據(jù)的距離。最后,分類算法在該空間中進(jìn)行。本文對模型空間的生成機(jī)制及其在不平衡序列數(shù)據(jù)分類中的應(yīng)用進(jìn)行了研究,提出對模型的表示性,分類性和模型復(fù)雜度項進(jìn)行優(yōu)化生成模型空間,并分析了多個目標(biāo)之間的關(guān)系。考慮到多目標(biāo)之間的不一致帶來的優(yōu)化困難,采用多目標(biāo)非支配排序演化算法對三個目標(biāo)同時進(jìn)行優(yōu)化。針對分布不平衡的時間序列分類,基于核學(xué)習(xí)提出一種核特征空間中的過采樣學(xué)習(xí)算法。本文的主要貢獻(xiàn)如下:1.本文提出一種多目標(biāo)學(xué)習(xí)方法,同時為時間序列優(yōu)化精簡函數(shù)表示、距離度量和模型復(fù)雜度。和優(yōu)化單個目標(biāo)得到的模型相比,本文方法學(xué)習(xí)得到的模型表示具有更好的時間序列分類準(zhǔn)確度和預(yù)測精度。2.作為緩解不平衡分類問題的重要方法之一,傳統(tǒng)的過采樣方法不能適用于具有時序依賴關(guān)系、多變量和變長特性的時間序列。本文提出基于核學(xué)習(xí)獲得時間序列模型的非線性距離度量,并在中心化核特征空間進(jìn)行過采樣的方法。原來線性不可分的數(shù)據(jù)在非線性的核特征空間中更有可能線性可分,滿足了在已有過采樣方法中常常被忽視的線性可分假設(shè),所以產(chǎn)生的樣本點(diǎn)更符合小類數(shù)據(jù)的分布,不容易過擬合。3.在標(biāo)準(zhǔn)數(shù)據(jù)集和人造數(shù)據(jù)集上的時間序列分類實驗表明,本文提出的方法具有更好的分類準(zhǔn)確度和魯棒性。
【學(xué)位單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：O211.61
【部分圖文】：

圖２．１?ＤＴＷ搜索最優(yōu)比對路徑示意圖??得累積逐點(diǎn)距離最小化的最佳對齊方式［２７］，并會返回最佳對齊下的距離值衡量??兩個序列之間相似性。圖２．１顯示了兩條時間序列的對齊過程，圖中顯示了時間??點(diǎn)級別的距離矩陣和最優(yōu)比對路徑，左側(cè)和下側(cè)顯示了兩條時間序列。??具體地，令Ｌ？?ｅ?表示時間序列Ｑ和Ｃ每個時間點(diǎn)之間的距離構(gòu)成的??矩陣。ＤＴＷ算法從矩陣Ｄ的位置［１，１］移動到位置［ＬＱ，Ｌｄ，得到對應(yīng)的索引序??列Ａ和Ｂ，其具有相同的長度〇?ｍａｘ｛ＬＱ，心丨，使得的累計距離ｇ＝１?被??最小化。通過這種方式，序列Ｑ的點(diǎn)Ａ⑷與序列Ｃ的點(diǎn)Ｓ⑷匹配。參見圖２．１的??ＤＴＷ對齊示意圖。??作為一個有效的對齊，路徑４和Ｂ必須滿足以下三個約束：??１．?Ａ｛１）?＝?１，５（１）?＝?１??２．?Ａ（ｌ）?＝?ＬＱ

圖２．２帕累托前沿面的凸性對優(yōu)化算法的影響??Ｃｈｅｎ等人［４６］提出使用非線性的水庫模型來為時間序列學(xué)習(xí)模型表示。時間??序列之間的距離定義為模型之間的函數(shù)距離。但是，該方法沒有利用標(biāo)簽信息，??使得模型的可區(qū)分性被忽略并可能導(dǎo)致分類性能不佳。為了彌補(bǔ)這一潛在的不??足，Ｃｈｅｎ等人［４９］提出了一種模型度量共同學(xué)習(xí)算法（ＭＭＣＬ）。ＭＭＣＬ將模型??和距離度量學(xué)習(xí)通過加權(quán)結(jié)合的方式轉(zhuǎn)換為一個單一的目標(biāo)。采用迭代梯度下??降來分別優(yōu)化網(wǎng)絡(luò)權(quán)重和距離度量。但是，由于循環(huán)網(wǎng)絡(luò)的特點(diǎn)，它可能會遇到??梯度消失的問題，陷入局部最優(yōu)解。另外，在多目標(biāo)的情況下，最優(yōu)解集合稱為??帕累托最優(yōu)解，其中每個解代表了在目標(biāo)之間的一個權(quán)衡，可能適用于不同的特??定任務(wù)。由于帕累托最優(yōu)解和線性結(jié)合參數(shù)不是一一對應(yīng)的，兩個目標(biāo)的線性結(jié)??合可能使得帕累托最優(yōu)解可能不能被全部找到，只能得到近似最優(yōu)解，導(dǎo)致學(xué)習(xí)??的泛化精度可能受到影響。圖２．２所示是對兩個優(yōu)化目標(biāo)（圖中第一列和第二列，??按照文獻(xiàn)＠中公式（８）設(shè)置），通過改變兩個目標(biāo)的加權(quán)系數(shù)，在解空間中搜??索解的情況，其中黃色點(diǎn)為目標(biāo)值空間，藍(lán)色點(diǎn)為優(yōu)化算法找到的最優(yōu)解對應(yīng)??

圖２．３?ＳＭＯＴＥ過采樣算法示意圖??過重新采樣已有數(shù)據(jù)樣本（隨機(jī)過采樣）樣）。隨機(jī)過釆樣［１８］通過復(fù)制少數(shù)類數(shù)同時可能導(dǎo)致過擬合合成過采樣通據(jù)來重新平衡類分布�，F(xiàn)有的過采樣方行采樣〃８］，這種策略較適用于“平坦”的宄表明代價敏感學(xué)習(xí)和采樣方法在效果緩解問題，具有更靈活的優(yōu)勢［５６］，所以法（以下在不造成混淆的情況下簡稱過法可生成新的人造數(shù)據(jù)點(diǎn)，增加少數(shù)類的技術(shù)［５６］，由于手寫圖像的數(shù)據(jù)有限，研宂額外的訓(xùn)練數(shù)據(jù)。合成少數(shù)類過采樣技ｎｉｑｕｅ，?ＳＭＯＴＥ）［５６］首先為每個少數(shù)類樣ｋ個最近鄰居的一個鄰居并在該樣本與
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫其法;閆秋艷;閆欣鳴;;基于多樣化top-k shapelets轉(zhuǎn)換的時間序列分類方法[J];計算機(jī)應(yīng)用;2017年02期

2 王金策;楊寧;;時間序列趨勢預(yù)測[J];現(xiàn)代計算機(jī)(專業(yè)版);2017年02期

3 彭佳星;肖基毅;;基于分型轉(zhuǎn)折點(diǎn)的證券時間序列分段表示法[J];商;2016年31期

4 劉偉龍;;基于ARMA模型的股價預(yù)測及實證研究[J];智富時代;2017年02期

5 周仰;;《漫長的告別》(年度資助攝影圖書)[J];中國攝影;2017年04期

6 王嵬;;王嵬作品[J];當(dāng)代油畫;2017年07期

7 劉明華;張晉昕;;時間序列的異常點(diǎn)診斷方法[J];中國衛(wèi)生統(tǒng)計;2011年04期

8 郭崇慧;蘇木亞;;基于獨(dú)立成分分析的時間序列譜聚類方法[J];系統(tǒng)工程理論與實踐;2011年10期

9 王佳林;王斌;楊曉春;;面向不確定時間序列的分類方法[J];計算機(jī)研究與發(fā)展;2011年S3期

10 萬里;廖建新;朱曉民;倪萍;;一種基于頻繁模式的時間序列分類框架[J];電子與信息學(xué)報;2010年02期

相關(guān)博士學(xué)位論文 前10條

1 丁超;MODIS時間序列重建方法與應(yīng)用[D];中國地質(zhì)大學(xué)(北京);2018年

2 魏永強(qiáng);煤礦瓦斯監(jiān)測數(shù)據(jù)插值與預(yù)測研究[D];中國礦業(yè)大學(xué)(北京);2015年

3 楊玉軍;基于機(jī)器學(xué)習(xí)的時間序列模型研究及其應(yīng)用[D];電子科技大學(xué);2018年

4 魯韻帆;隨機(jī)交互金融模型的構(gòu)建及金融時間序列的統(tǒng)計分析[D];北京交通大學(xué);2018年

5 郭珩;復(fù)雜網(wǎng)絡(luò)在非線性時間序列分析中的應(yīng)用[D];華東師范大學(xué);2018年

6 宋偉;面向時間序列分類任務(wù)的SAX方法研究[D];鄭州大學(xué);2018年

7 潘玉青;基于NDVI時間序列的黃河中下游典型史前都邑性遺址的作物物候觀察[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

8 郝鵬宇;基于多時相遙感數(shù)據(jù)的農(nóng)作物分類研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

9 喬海浪;基于NDVI時間序列重構(gòu)的經(jīng)濟(jì)型人工林時空分布信息提取研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

10 王妮妮;基于智能計算技術(shù)的時間序列分割及預(yù)測研究[D];大連理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 韓新玉;網(wǎng)絡(luò)結(jié)構(gòu)特征與時間序列相互表征應(yīng)用[D];哈爾濱工業(yè)大學(xué);2017年

2 侯曉偉;高精度GPS用于地殼形變研究分析[D];長安大學(xué);2018年

3 張旭東;基于最小哈希方法的多元時間序列近似關(guān)聯(lián)規(guī)則挖掘[D];哈爾濱工業(yè)大學(xué);2017年

4 鄭毅;時間序列數(shù)據(jù)的膠囊式LSTM特征提取算法研究[D];華中師范大學(xué);2018年

5 江粉桃;非線性方法的時間序列組合模型在農(nóng)產(chǎn)品價格預(yù)測中的應(yīng)用研究[D];蘭州交通大學(xué);2018年

6 孟凡山;基于隨機(jī)特征采樣的時間序列分類算法的研究與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2018年

7 魏延杰;基于深度學(xué)習(xí)的復(fù)雜時間序列分析[D];哈爾濱工業(yè)大學(xué);2018年

8 余任;基于模糊時間序列及灰色理論的金融時間序列預(yù)測研究[D];昆明理工大學(xué);2018年

9 禹雷;基于多級聯(lián)合策略的多平臺MT-InSAR形變時間序列聯(lián)合分析[D];華東師范大學(xué);2018年

10 尹薇;時間序列清洗關(guān)鍵技術(shù)的研究[D];哈爾濱工業(yè)大學(xué);2018年

本文編號：2894523