時間序列分類是時間序列研究的關(guān)鍵部分,為了高分類的準(zhǔn)確率以及算法執(zhí)行的效率,本文出了基于特征采樣的時間序列分類方法。時間序列數(shù)據(jù)往往具有不等長的特性,常規(guī)的機器學(xué)習(xí)以及深度學(xué)習(xí)方法無法直接應(yīng)用于時間序列分類問題。傳統(tǒng)的時間序列分類算法主要有兩種,一種是基于距離的算法,通過設(shè)定距離函數(shù),找到與給定時間序列最相近的查詢序列,另一種是基于特征取的算法,通過取時間序列的主要特征信息來進行分類。特征取方法相比于基于距離的分類方法,具有分類準(zhǔn)確率高的優(yōu)點,但是需要花費大量的時間進行特征取,如何設(shè)計簡單高效的特征取方法,從而將時間序列問題與機器學(xué)習(xí)方法相結(jié)合,是本文的核心研究內(nèi)容。本文通過特征采樣方法將不等長的時間序列數(shù)據(jù)集轉(zhuǎn)化為具有等長特征維度的數(shù)據(jù)集,主要包括簡單隨機特征采樣方法,等時間間隔特征采樣方法,分段隨機特征采樣方法。相比于以shapelet方法為代表的傳統(tǒng)特征取方法,本文出的特征采樣方法計算過程簡單,無需進行大量的計算,同時,對于原始時間序列的特征取具有無損性。此外,對于特征采樣算法中包含的參數(shù),本文使用改進后的交叉驗證方法對其進行調(diào)整和確定,高了分類的準(zhǔn)確率。在對分類器的設(shè)計上,本文...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-4UCR數(shù)據(jù)集述本文的實驗平臺為macos平臺，具體配置為i52.4GHZCPU，8GB內(nèi)存，操作系統(tǒng)為macOSSierra

圖2-4UCR數(shù)據(jù)集述本文的實驗平臺為macos平臺，具體配置為i52.4GHZCPU，8GB內(nèi)存，操作系統(tǒng)為macOSSierra。使用python語言實現(xiàn)本文的算法。在LSTM分類器的實現(xiàn)中，本文使用tensorflow作為底層，集合ke....

圖3-1分類算法的整體流程

第3章分類器的設(shè)計與實現(xiàn)在上一章中我們介紹了如何使用特征采樣算法將具有不等長屬性的時間序列數(shù)據(jù)轉(zhuǎn)換為等長的采樣數(shù)據(jù)。本章將具體介紹分類算法的設(shè)計，以如何將分類算法與特征采樣算法結(jié)合，從而應(yīng)用到時間序列分類問題中。3.1分類算法概述分類算法的目的是根據(jù)數(shù)據(jù)集的特征構(gòu)造一個分....

圖3-3分類器的結(jié)構(gòu)

圖3-3分類器的結(jié)構(gòu)，對于時間序列S，經(jīng)過分段隨機特征采樣算的采樣數(shù)據(jù)集，我們將采樣數(shù)據(jù)集作為分類器一個樣本，均是n維向量的形式。LSTM神經(jīng)samples，timesteps，input_dim）。其中sampesteps表示樣本數(shù)據(jù)中數(shù)據(jù)的步長，這里步長入數(shù)據(jù)....

圖3-4l-rate參數(shù)對于分類效果的影響

本文編號：3946051