首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 437 毫秒
1.
特征表示和相似性度量是时间序列数据挖掘的基础工作, 其质量好坏直接影响后期的挖掘结果. 利用正交多项式回归模型对时间序列进行多维形态特征表示, 分析特征维数对时间序列拟合效果的影响, 选取部分特征来描述序列的主要形态趋势, 提出了一种鲁棒性较强的形态特征相似性度量方法来近似度量时间序列, 且具有较高的相似性度量质量. 实验结果表明, 基于多维形态特征表示的时间序列相似性度量方法不仅满足下界要求, 具有较好的下界紧凑性和数据剪枝能力, 而且在时间序列聚类和分类等数据挖掘任务中取得了良好的效果.  相似文献   

2.
基于动态时间弯曲的区间值时间序列匹配算法   总被引:1,自引:0,他引:1  
结合vague集的优点,将区间值的思想应用于时间序列研究,定义了基于区间值的时间序列.同时,在综合分析了不同的vague值(区间值)的相似度量的缺点后,提出了一种新的基于vague值的相似度量,并结合动态时间弯曲的思想,给出了一个基于动态时间弯曲的区间值时间序列的相似性匹配算法.  相似文献   

3.
时间序列数据量远远大于普通数据库的特点,导致一些通用的数据挖掘工具直接应用于时间序列效果很不理想。为此提出了一种时间序列分段线性化表示算法,这种表示方法将大大提高相似性测量的计算速度。在分段线性化表示的基础上提出了一种相似性计算方法,该方法对于时间序列的多种变形都不敏感。将k-平均(k-mean)聚类算法应用于分段线性化表示的时间序列,聚类结果表明算法非常有效。  相似文献   

4.
针对多源时间序列缺失数据恢复问题, 提出一种基于双重正则矩阵分解的恢复方法。该方法在多源时间序列矩阵分解的基础上, 利用时间序列的平滑性构建时间序列隐含因子的二阶差分正则项, 同时引入反映数据内部结构的图拉普拉斯正则项对传感器隐含因子进行约束, 并在图拉普拉斯矩阵获取过程中设计了一种联合数据本身的相似度和数据变化趋势相似度的双重皮尔逊相似策略, 构造数据内部的最相似图。最后,将双正则项统一于矩阵分解的框架中, 利用梯度下降法实现目标函数的优化, 数据实验中分别采用合成数据和真实数据验证了算法的有效性。  相似文献   

5.
基于统计流形理论并结合形状上下文思想,提出了能够描述图像纹理目标的纹理上下文特征,进而实现对遥感图像纹理目标的识别。首先将图像的灰度概率密度函数看作统计流形上的点,用所得到的图像统计流形模型来描述图像的纹理上下文特征;然后使用Fisher信息距离来度量流形上点之间的相似度,并利用匈牙利算法来匹配纹理上下文特征;最后通过计算匹配距离来实现不同图像目标的相似性度量。实验表明,与经典的灰度共生矩阵、局部二值模式和统计流形算法相比,对于具有纹理特征的遥感图像,该方法具有更高的识别率且具有普适性和稳健性。  相似文献   

6.
针对实际工程系统故障建模困难、现有故障预报方法实时性差的问题.从一类挖掘的角度,设计了一种基于一类支持向量机的时间序列暂态挖掘算法,提出了一种既不需要系统近似模型也不需要故障训练数据和先验知识的直接故障预报方法.在系统运行的同时实现学习和预报.提高了实时性.同时该方法简单易用,克服了传统方法在预报故障前需要预测系统未来状态的缺点.具有很强的应用意义.以釜式反应嚣为对象进行的仿真实验证明了方法的有效性.  相似文献   

7.
基于时序模型的加速退化数据可靠性评估   总被引:3,自引:0,他引:3  
提出利用加速退化数据对高可靠长寿命产品进行可靠性评估与寿命预测的新方法.从时间序列的角度出发,研究了退化轨迹的一般建模方法;进而结合加速模型,利用整体推断方法给出了模型参数的极大似然估计.并以对数正态分布和Weibull分布为例,利用信仰推断方法给出了可靠度置信区间.通过有效利用加速退化试验各状态下的试验信息,结合时序模型对退化轨迹曲线自拟合性强的优点,提高了产品可靠性评估与寿命预测的稳健性,为基于产品加速退化数据进行可靠性评估提供了一条新的技术途径.最后通过实例验证了该方法的有效性.  相似文献   

8.
针对复杂的应用环境下,时间序列建模不易准确,多步预测精度不高的问题,提出基于粒子滤波(particle filter, PF)优化的滚动式时间序列(roll time series, RTS)多步预测算法(PF_RTS)。采用Box-Jenkins方法对时间序列滚动自适应建模,所建模型作为粒子的状态转移方程,利用粒子滤波算法实时动态修正预测数据,逼近状态的最优估计。本文算法具有自学习能力,适合实时应用。仿真结果表明,本文算法需要的先验知识少,提高了预测的精度。  相似文献   

9.
对于时间序列的生成机理是否服从于确定规律性的判断将直接影响到对其进行研究的理论框架的选择。提出了一种时间序列确定性成分的指标检验方法。该方法首先将待检验的时间序列重构于高维相空间中,寻找其主要几何特征在低维欧式空间中的投影,再将投影反射回高维相空间。通过比较原高维相空间与反射空间之间的偏差,来判断该序列的确定性。仿真实验证明了该方法具有可靠性。  相似文献   

10.
信息技术的快速发展导致了数据规模的爆炸式增长,传统的机器学习、数据挖掘算法面临新的 挑战. 流形学习克服了传统线性降维算法的不足,成为十年来降维研究的热点领域. 然而流形学习 算法复杂度高,对于大规模的数据集并不适用. 针对大规模数据集下的流形学习降维问题,提出了 基于MapReduce 的分布式流形学习算法. 该算法采用局部敏感哈希函数将相似点映射到同一个桶中,利用流形具有局部欧氏同胚的性质,在每个桶内采用欧氏距离度量点之间的测地距离,桶之间采用 中心点及边缘点来计算修正的测地距离. 在大规模的人工合成数据集和真实数据集上的实验表明,该算法能有效地估计数据点间的测地距离,适用于处理大规模数据集的降维问题.  相似文献   

11.
Intuitionistic fuzzy hierarchical clustering algorithms   总被引:1,自引:1,他引:0       下载免费PDF全文
Intuitionistic fuzzy set (IFS) is a set of 2-tuple arguments, each of which is characterized by a mem-bership degree and a nonmembership degree. The generalized form of IFS is interval-valued intuitionistic fuzzy set (IVIFS), whose components are intervals rather than exact numbers. IFSs and IVIFSs have been found to be very useful to describe vagueness and uncertainty. However, it seems that little attention has been focused on the clus-tering analysis of IFSs and IVIFSs. An intuitionistic fuzzy hierarchical algorithm is introduced for clustering IFSs, which is based on the traditional hierarchical clustering procedure, the intuitionistic fuzzy aggregation operator, and the basic distance measures between IFSs: the Hamming distance, normalized Hamming, weighted Hamming, the Euclidean distance, the normalized Euclidean distance, and the weighted Euclidean distance. Subsequently, the algorithm is extended for clustering IVIFSs. Finally the algorithm and its extended form are applied to the classifications of building materials and enterprises respectively.  相似文献   

12.
基于相空间同步的多变量序列相关性分析及预测   总被引:1,自引:0,他引:1  
针对多变量混沌序列相关性分析中各分量幅值之间可能没有明显的相关性,但在其相空间邻域内会产生同步特性的问题,提出一种从相空间同步角度研究两个变量间相互依赖关系的非线性相关分析方法。首先按照对应的时间标记将原始变量相空间中的邻域点向另外一个变量中进行投影,分析映射前后邻域半径的变化,在此基础上定义一种度量变量间非线性相关性的评价指标。最后构建多变量局域预测模型,实现对多变量混沌序列的精确预测。仿真实例验证了结果的有效性。  相似文献   

13.
在分析动态鲁棒性概念的基础上,提出了一种考虑级联失效的C4ISR系统结构动态鲁棒性度量方法,该方法结合不完全信息的攻击模型,设计了C4ISR系统结构级联失效的过程模型和动态鲁棒性值的计算方法,最后通过某一区域联合防空系统结构的案例对本文的动态鲁棒性度量方法进行仿真验证,仿真的结果证明了本文所提方法的有效性。  相似文献   

14.
非线性时间序列的相空间重构技术研究   总被引:5,自引:0,他引:5  
分析了混沌时间序列相空间重构中常用的C-C方法所存在的四点不足,提出了改进的C-C-2方法.该方法改进了时间序列关联积分的计算方法和参数,利用混沌序列周期N的概念,提出了通过寻找Scor(t)的第一个属于混沌序列周期N的局部极小峰值,来确定最优延迟时间窗口的判断方式;并只寻找平均ΔS2(t)的第一个极小值来确定最优时间延迟,所得结果更合适、稳定,而且将原算法的抗噪能力由30%提高到80%.  相似文献   

15.
Global Skyline 查询是Skyline查询的一种变种,它和动态Skyline查询、反Skyline查询关系密切,已被广泛应用于多目标决策、网络监控、数据挖掘等方面。随着数据的积累,传统集中式的Skyline查询已经不能满足大数据的处理要求。为了高效解决大规模的基于时间序列的数据处理难题,提出了基于MapReduce框架并行的Global Skyline Cell查询算法。首先,通过对实际应用需求进行分析,本文提出了基于时间序列数据Skyline查询的时间倒排索引模型;并提出了Global Skyline格概念,利用格间的支配关系进行粗粒度高效剪枝,避免了大部分的无效运算;其次查询点将数据空间分割成不同象限,基于各象限进行轮询,实现了Global Skyline 格的查询,在此候选结果中得到Global Skyline点,为下一步实现动态Skyline和反Skyline查询奠定基础。最后,我们在Hadoop集群环境中实现了该算法。实验结果表明,该算法能有效解决基于时间序列的大规模数据Skyline查询的时间和空间矛盾,能够满足实际应用需求。  相似文献   

16.
针对行驶时间延迟下配送车辆调度的干扰管理问题,给出了车辆调度人员实际操作中的一系列"救援模式",并将其提炼为计算机可以理解并处理的形式化知识;按照车辆调度人员的"救援路线列举→救援路线选择"两阶段的思维方式,以顾客时间窗偏离程度最小化和配送成本最小化为目标,建立了问题的数学模型及其求解算法. 通过初步的实验,确定了算法的参数配置;在Solomon提出的标准算例上对算法的鲁棒性、求解结果的质量、以及求解性能等几项指标进行了测试及与文献算法的比较;最后对算法进行了实时化的处理. 实验结果表明,本文算法不仅达到了多目标优化的效果, 而且可以满足实时应用的要求.  相似文献   

17.
基于时间差的无线传感器网络节点定位方法   总被引:1,自引:0,他引:1  
在分析RSSI、ToA、TDoA和AoA测距方法优缺点的基础上,给出一种基于时间差的节点定位方法.该方法无需锚节点与锚节点之间,以及锚节点与目标节点之间的时间同步,根据三个锚节点的定位信号到达目标节点的时间差,即可完成对目标节点的定位.以三个锚节点呈等边直角三角形布置为例,对定位误差进行计算并得出了提高目标节点时钟精度和增加锚节点之间的距离可减小定位误差的结论.最后,利用无线传感器网络测试床进行算法有效性验证,结果表明了所提定位算法的有效性.  相似文献   

18.
研究了正态云模型相似度的测算方法.提出了正态云模型的形状相似度和距离相似度概念,建立了云模型综合相似度测算框架.结合云模型的数字特征,给出了形状相似度计算公式.研究了云模型距离对相似度的影响关系和数学性质,提出了基于距离的相似度测算定义,并研究了便捷的计算方法.算例说明了算法的可行性.  相似文献   

19.
针对带时间窗车辆路径问题(vehicle routing problem with time windows, VRPTW), 提出了混合种群增量学习算法(hybrid population-based incremental learning algorithm, HPBIL), 用于同时最小化车辆数和总行驶距离. 在HPBIL中, 通过改进标准的PBIL概率模型以提高算法的全局探索能力, 同时设计了基于插入法和两点邻域交换法的两阶段局部搜索来增强算法的局部开发能力. 仿真实验和算法比较验证了HPBIL的有效性和鲁棒性.  相似文献   

20.
一种基于趋势分形维数的股指时间序列相似性分析方法   总被引:1,自引:0,他引:1  
为了提高股指时间序列相似性分析的准确性, 提出趋势分形维数的概念, 并基于此定义了相似性分析方法. 趋势分形维数包含阳线维和阴线维, 能更好地反映市场跌涨变化趋势, 基于该维数的相似性度量方法能够提高相似性度量的准确性. 通过与其他两种相似性度量方法对比, 进一步说明该方法的优越性.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号