本文關(guān)鍵詞：多維時(shí)間序列的分類技術(shù)研究

  更多相關(guān)文章： 多維時(shí)間序列 分類 特征提取 特征選擇

【摘要】：多維時(shí)間序列是一種同時(shí)具備空間和時(shí)間描述能力的數(shù)據(jù),廣泛應(yīng)用于事物動(dòng)態(tài)行為特征的描述與表達(dá),是一種非常重要的數(shù)據(jù)形式�；诙嗑S時(shí)間序列分類技術(shù)的動(dòng)態(tài)行為過程識(shí)別是一項(xiàng)非常具有實(shí)際應(yīng)用價(jià)值的研究工作,并已得到大量的關(guān)注和研究。為了實(shí)現(xiàn)多維時(shí)間序列的有效分類,本文對(duì)相關(guān)技術(shù)進(jìn)行了較為全面的研究。這些技術(shù)主要包括：多維時(shí)間序列的特征提取技術(shù)、特征選擇技術(shù)和分類技術(shù)�；谶@些技術(shù),可以完整實(shí)現(xiàn)多維時(shí)間序列的分類。具體地,全文的研究工作主要包括如下幾個(gè)方面：(1)為了便于構(gòu)建分類模型,需要首先獲得多維時(shí)間序列的特征表示。對(duì)此,本文首先對(duì)多維時(shí)間序列的特征提取技術(shù)進(jìn)行了研究,然后在分析現(xiàn)有方法不足的基礎(chǔ)上,提出了一種基于小波包變換的特征提取方法。該方法可以從不同時(shí)頻尺度上提取序列的特性,獲得盡可能完整而豐富的特征描述,且避免了特征提取過程中造成的信息損失。同時(shí),提取過程中不需要人為設(shè)定任何參數(shù),對(duì)不同序列長(zhǎng)度不同而引起的困難處理十分簡(jiǎn)單。由于獲得了序列完整的時(shí)頻特征信息,因此為不同類別序列的區(qū)分提供了良好的基礎(chǔ)。(2)基于小波包變換的特征提取會(huì)得到大量無關(guān)和冗余的特征,若直接基于這些特征構(gòu)造用于分類的特征向量,不但會(huì)造成特征向量的維度非常高,而且會(huì)對(duì)最終建立的分類模型的分類性能產(chǎn)生負(fù)面影響。對(duì)此,本文研究了特征選擇技術(shù),通過該技術(shù)將初始特征集中無關(guān)和冗余的特征剔除,最終獲得對(duì)分類真正有效的特征。在研究過程中,首先分析了經(jīng)典特征選擇算法ReliefF,了解了其存在的缺陷,然后提出了一種改進(jìn)型算法ReliefF-SFB-SVM,獲得了比ReliefF更好的性能。最后通過實(shí)際數(shù)據(jù)集上的實(shí)驗(yàn),對(duì)比了其與ReliefF和mRMR的實(shí)際性能。結(jié)果表明,ReliefF-SFB-SVM可以用比ReliefF更少的特征獲得最佳的分類準(zhǔn)確率,而與mRMR具有相近的分類性能但具有更高的運(yùn)行速度。(3)基于特征提取與特征選擇技術(shù)獲得多維時(shí)間序列最終的特征向量表示之后,即可基于特征向量構(gòu)建多維時(shí)間序列的分類模型。因此,本文最后對(duì)分類算法進(jìn)行了研究。研究過程中,考慮到SVM分類模型具有很強(qiáng)的泛化能力,且能處理非線性可分的問題,為了利用SVM的這些優(yōu)點(diǎn),同時(shí)獲得多分類能力,本文提出了一種新的樹結(jié)構(gòu)M-SVM多分類模型TSM-SVM,并通過實(shí)驗(yàn)對(duì)比了其與PNN和OVA-SVM的性能。結(jié)果表明,該模型具有比OVA-SVM更快的分類速度,且具有比PNN更高的分類準(zhǔn)確率,同時(shí)保證了理想的訓(xùn)練速度。
【關(guān)鍵詞】：多維時(shí)間序列 分類 特征提取 特征選擇
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：O211.61;TP391.41
【目錄】：

• 致謝5-6
• 摘要6-8
• Abstract8-12
• 第1章 緒論12-32
• 1.1 研究的背景和意義12-13
• 1.2 問題的定義與表示13-16
• 1.2.1 多維時(shí)間序列的定義13-15
• 1.2.2 分類問題的定義15-16
• 1.3 相關(guān)技術(shù)及研究現(xiàn)狀16-29
• 1.3.1 特征提取16-18
• 1.3.2 特征選擇18-26
• 1.3.3 分類算法26-29
• 1.4 本文主要工作29-32
• 第2章 多維時(shí)間序列的特征提取32-42
• 2.1 概述32-33
• 2.2 特征提取的概念及作用33-34
• 2.3 基于小波包變換的特征提取34-41
• 2.3.1 基本思想35
• 2.3.2 基本理論35-40
• 2.3.3 特征向量的生成40-41
• 2.4 本章小結(jié)41-42
• 第3章 多維時(shí)間序列的特征選擇42-58
• 3.1 概述42-44
• 3.2 ReliefF算法概述44-46
• 3.3 ReliefF-SFB-SVM特征選擇算法46-50
• 3.3.1 算法概述46-47
• 3.3.2 基本思想47-49
• 3.3.3 算法的實(shí)現(xiàn)49-50
• 3.4 實(shí)驗(yàn)結(jié)果與分析50-56
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)簡(jiǎn)介50-52
• 3.4.2 實(shí)驗(yàn)說明與結(jié)果分析52-56
• 3.5 本章小結(jié)56-58
• 第4章 樹結(jié)構(gòu)M-SVM多維時(shí)間序列分類算法58-74
• 4.1 概述58-60
• 4.2 SVM基本理論60-63
• 4.3 樹結(jié)構(gòu)M-SVM分類算法63-70
• 4.3.1 概述63-64
• 4.3.2 算法的設(shè)計(jì)和實(shí)現(xiàn)64-70
• 4.4 實(shí)驗(yàn)結(jié)果與分析70-72
• 4.4.1 實(shí)驗(yàn)說明70
• 4.4.2 結(jié)果分析70-72
• 4.5 本章小結(jié)72-74
• 第5章 總結(jié)與展望74-76
• 5.1 全文研究工作總結(jié)74-75
• 5.2 研究工作展望75-76
• 參考文獻(xiàn)76-82
• 攻讀碩士期間科研成果82-84
• 作者簡(jiǎn)歷84

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 刁智華;趙春江;郭新宇;陸聲鏈;;一種新的基于平衡決策樹的SVM多類分類算法[J];控制與決策;2011年01期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 張麗新;高維數(shù)據(jù)的特征選擇及基于特征選擇的集成學(xué)習(xí)研究[D];清華大學(xué);2004年

，

本文編號(hào)：695446