声明
摘要
图目录
表目录
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.3 SAX应用研究所面临的主要问题
1.4 主要研究内容
1.5 论文组织结构
2 相关工作
2.1 SAX方法
2.2 BOP方法
2.3 影响SAX表示效果的参数因素
2.4 衡量时间序列特征表示方法性能的指标及度量标准
2.5 本章小结
3 基于机器学习的SAX方法有效性验证与性能提升
3.1 研究动机
3.2 相关工作
3.2.1 集成学习方法
3.2.2 多变量时间序列及其分类
3.2.3 深度学习及卷积神经网络方法
3.3 基于SAX特征表示的多阶段集成分类框架
3.3.1 实验数据
3.3.2 相关实验及结果分析
3.4 基于卷积网络与SAX表示的多变量时间序列特征提取模型
3.4.1 unpooling与反卷积
3.4.2 基于反卷积重构验证的MTS特征学习
3.4.3 用于分类的SAX及BOP特征表示
3.4.4 实验及结果分析
3.5 本章小结
4 基于统计视角的SAX方法内在特性度量研究
4.1 研究动机
4.2 相关工作
4.2.1 排列熵
4.2.2 信息嵌入成本
4.2.3 自相关与偏自相关函数
4.3 基于统计视角的SAX特性度量及实验分析
4.3.1 实验数据及SAX参数选择
4.3.2 PE值与复杂度
4.3.3 信息嵌入效率
4.3.4 周期性与相关性
4.4 本章小结
5 基于复杂网络的SAX方法可视化探索
5.1 研究动机
5.2 相关工作
5.2.1 可视化的基本概念
5.2.2 可视化分支及与其它领域学科关系
5.2.3 可视化的流程
5.2.4 可视化的意义与挑战
5.3 时间序列可视化
5.3.1 时间序列及其可视化
5.3.2 时间序列可视化的主要任务及研究进展
5.3.3 可视化增强的数据挖掘方法
5.4 基于复杂网络的SAX可视化探索
5.4.1 复杂网络及相关研究
5.4.2 复杂网络可视化
5.4.3 时间序列数据的离散化特征表示与转化
5.4.4 转移矩阵可视化
5.5 实验及结果分析
5.5.1 实验数据及相关参数
5.5.2 数据可视化呈现
5.5.3 实验结果及分析
5.6 本章小结
6 总结与展望
6.1 工作总结
6.2 研究展望
参考文献
在学期间发表的学术论文、知识产权及参加的基金项目
致谢