本文關鍵詞：時間序列的模式檢測，由筆耕文化傳播整理發(fā)布。

【摘要】：時間序列是按時間順序采集的一系列觀測值。它具有高維性和動態(tài)性,是數據挖掘領域最具挑戰(zhàn)性的十大研究方向之一。模式表示和相似度度量是時間序列的兩個重點研究方向,并且經常被放在一起研究。前者有助于降低時間序列的維度,消除時間序列中的噪音,以及保留時間序列的基本特性。后者是模式匹配的基礎,有助于對時間序列進行挖掘。在本文中,我們在時間域和空間域,對時間序列進行了研究,并基于時間序列的規(guī)模(時間尺度),提出了兩種時間序列表示方法：預定義模式檢測方法和基線檢測方法。預定義模式檢測方法能夠從時間序列中高效地檢測出和預定義模式相匹配的實例,即使實例存在時間上彎曲或振幅上的形變。該方法借助模版(預定義模式)和地標(重要點)對時間序列進行壓縮表示,并結合地標約束和可信區(qū)間來模擬和檢測時間序列中的實例。.該方法還引入了最小描述長度,對時間序列進行預處理。最小描述長度不但有助于保留時間序列中的有用信息,而且還可以防止過度擬合。基線可以被看作時間序列的一個大規(guī)模的組成成分。獲取和校正基線有助于我們更好地理解和關注時間序列的趨勢和模式�；诟怕拭芏确植�,我們提出了一種新的基線檢測方法,最多穿越法。該方法是一種分段線性方法。和其他分段線性方法不同的是：該方法借助概率密度分布的差異來對時間序列中的點進行區(qū)別對待。即使在信噪比較高的環(huán)境中,該方法依然能夠保持優(yōu)越的性能。在預定義模式和基線檢測方法中,都會涉及到參數的選擇,如滑動窗口的大小、異常斜率的閾值、平滑度和相似度的閾值等。在設定這些參數時,我們結合了最小描述長度和概率密度分布的原理,讓這些方法能夠自動根據具體的時間序列來設定,從而避免了因人為設定而造成的誤差。本論文研究的實體是實時的時間序列,來自于安裝在高速橋梁上的一個傳感器網絡。該傳感器網絡由三種不同類型的傳感器組成,采集的數據也具有不同的表現(xiàn)形式。我們根據傳感器的屬性,在不同規(guī)模上對它們的時間序列進行變換和模擬,從而來探測不同類傳感器間的依賴關系(相關性)。最后,我們結合傳感器的其他物理屬性,如位置和安裝方式,對獲得的依賴關系進行二次學習,得出了一些有用的規(guī)則。這些規(guī)則息有助于今后高效、低成本地設計結構健康監(jiān)測傳感器系統(tǒng)。
【關鍵詞】：時間序列 模式表示、相似度度量 基線 預定義模式 最小描述長度 概率密度函數
【學位授予單位】：蘭州大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP311.13
【目錄】：

• 中文摘要3-5
• Abstract5-11
• 第1章 緒論11-16
• 1.1 研究背景11
• 1.2 研究目的和范圍11-12
• 1.3 相關文獻綜述12-13
• 1.4 主要工作和貢獻13-14
• 1.5 論文結構14-16
• 第2章 相關理論、方法和預備知識16-23
• 2.1 傅立葉變換16-18
• 2.2 卷積18-20
• 2.3 相似度度量20-23
• 第3章 預定義模式的檢測23-43
• 3.1 背景介紹23-24
• 3.2 定義和概念24-27
• 3.2.1 地標提取25-26
• 3.2.2 預定義模式檢測26-27
• 3.3 地標約束27-28
• 3.4 平滑度的選擇28-31
• 3.4.1 最小描述長度28-30
• 3.4.1.1 模型編碼29-30
• 3.4.1.2 剩余數據編碼30
• 3.4.2. 平滑度的選擇30-31
• 3.5 實例模型31-35
• 3.5.1 可信區(qū)間32-35
• 3.5.2 模型評估35
• 3.5.3 復雜度分析35
• 3.6 實驗驗證35-41
• 3.6.1 交通數據36-39
• 3.6.2 ECG時間序列39-41
• 3.7 相關文獻41-42
• 3.8 本章小結42-43
• 第4章 基線檢測43-56
• 4.1 背景介紹43-45
• 4.2 最多穿越法45-50
• 4.2.1 基線識別45-47
• 4.2.2 基線建模47
• 4.2.3 基線更正47-49
• 4.2.4 基線消除49-50
• 4.3 實驗評估50-54
• 4.3.1 小規(guī)模數據基線51-52
• 4.3.2 大規(guī)模數據基線52-54
• 4.4 本章小結54-56
• 第5章 時間序列的依賴分析56-69
• 5.1 研究背景56-57
• 5.2 傳感器網絡概述57-60
• 5.2.1 傳感器網絡的布局和構成57-58
• 5.2.2 各種傳感器的側重點58-60
• 5.2.2.1 短時間側重點58-60
• 5.2.2.2 長時間側重點60
• 5.3 應變和溫度時間序列的依賴分析60-63
• 5.4 應變和振動時間序列的依賴分析63-66
• 5.5 傳感器屬性分析66-68
• 5.6 本章小結68-69
• 第6章 總結69-72
• 6.1 本文的工作總結69-70
• 6.2 討論70
• 6.3 下一步工作展望70-72
• 參考文獻72-80
• 在學期間的研究成果80-82
• 致謝82

【相似文獻】

中國期刊全文數據庫 前10條

1 左愛文;郭宏武;王保保;;氣象時間序列規(guī)則發(fā)現(xiàn)及其應用[J];陜西氣象;2006年06期

2 劉猛洪;汪愛麗;;基于模糊時間序列的短期電力負荷預測[J];電子世界;2013年07期

3 K.D.C.Stoodley,盧潤德;非連續(xù)含有準周期分量時間序列的實時監(jiān)測(英文)[J];控制理論與應用;1986年01期

4 吳紅花;劉國華;;不確定時間序列的規(guī)約方法[J];計算機工程;2012年21期

5 W.Gersch;黃勁濤;;混合自回歸動平均時間序列的自回歸參數估計[J];水聲譯叢;1980年03期

6 王立柱;劉曉東;;Granger相關性與時間序列預測[J];控制與決策;2014年04期

7 周巧臨;傅彥;;科學數據時間序列的預測方法[J];電子科技大學學報;2007年06期

8 王閱;高學東;;基于重標級差分析的時間序列分割方法[J];計算機工程與應用;2008年29期

9 修春波;;時間序列一步預測方法[J];計算機應用研究;2010年04期

10 馮凱文;孟凡榮;牛強;閆秋艷;;基于趨勢點狀態(tài)模型的時間序列預測算法[J];計算機應用研究;2011年12期

中國重要會議論文全文數據庫 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預測[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學習逼近[A];'99系統(tǒng)仿真技術及其應用學術交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經網絡集成預測方法[A];第十五屆中國管理科學學術年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網固定資產投資規(guī)模研究[A];2012年云南電力技術論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數量經濟學（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數據的時間序列化[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

中國重要報紙全文數據庫 前6條

1 ;《時間序列與金融數據分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經濟學：協(xié)整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

3 劉俏;讓數據坦白真相[N];21世紀經濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

中國博士學位論文全文數據庫 前10條

1 張墨謙;遙感時間序列數據的特征挖掘：在生態(tài)學中的應用[D];復旦大學;2014年

2 張德成;滑坡預測預報研究[D];昆明理工大學;2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學;2015年

4 王曉曄;時間序列數據挖掘中相似性和趨勢預測的研究[D];天津大學;2003年

5 李桂玲;時間序列的分割及不一致發(fā)現(xiàn)研究[D];華中科技大學;2012年

6 周勇;時間序列時序關聯(lián)規(guī)則挖掘研究[D];西南財經大學;2008年

7 張勇;時間序列模式匹配技術研究[D];華中科技大學;2012年

8 董曉莉;時間序列數據挖掘相似性度量和周期模式挖掘研究[D];天津大學;2007年

9 姜向榮;短時間序列預測建模及應用研究[D];北京郵電大學;2009年

10 許娜;時間序列的分形及其混沌分析[D];北京交通大學;2011年

中國碩士學位論文全文數據庫 前10條

1 陳健;基于多變量相空間重構的投資組合策略研究[D];華南理工大學;2015年

2 蘭鑫;時間序列的復雜網絡轉換策略研究[D];西南大學;2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學;2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預測研究[D];南京信息工程大學;2015年

5 林健;基于改進小世界回聲狀態(tài)網的時間序列預測[D];渤海大學;2015年

6 曹智麗;日氣溫和干旱指數支持向量回歸預測方法[D];南京信息工程大學;2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學;2015年

8 姚茜;城市安全生產發(fā)展目標研究[D];中國地質大學(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學;2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學;2015年

  本文關鍵詞：時間序列的模式檢測，由筆耕文化傳播整理發(fā)布。

，

本文編號：369067