声明
摘要
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 主要工作与创新之处
1.4 论文组织结构
2 时间序列流层次聚类算法的分析
2.1 传统层次流聚类算法
2.1.1 分解型层次聚类法-BIRCH算法
2.1.2 凝聚型层次聚类法-CURE算法
2.2 时间序列相似性度量的主要方法
2.2.1 基于形状的相似度
2.2.2 基于特征的相似度
2.2.3 基于模型的相似度
2.2.4 符号时序数据的相似度
2.3 时间序列流聚类
2.4 在线分裂合并聚类算法ODAC
2.4.1 ODAC的算法框架
2.4.2 增量式相似性度量
2.4.3 算法步骤
2.5 ODAC算法的评估
2.5.1 控制层次结构增长的标准
2.5.2 概念漂移的处理
2.5.3 算法复杂度分析
2.6 本章小结
3 基于粗糙集理论的ODAC改进算法
3.1 ODAC算法的缺陷
3.2 基于粗糙集理论的聚类研究
3.2.1 粗糙集理论
3.2.2 利用粗糙集的概念进行聚类
3.3 在线分裂粗糙聚类算法ODRC
3.3.1 限制容差关系模型
3.3.2 一个实例
3.3.3 ODRC的算法框架
3.3.4 算法步骤
3.4 ODRC算法的评估
3.4.1 概念漂移的处理
3.4.2 算法复杂度分析
3.5 本章小结
4 时间序列流聚类实验
4.1 实验数据介绍
4.2 聚类质量分析
4.3 时间效率分析
4.4 算法参数评估
4.5 本章小结
5 时间序列流频繁模式挖掘算法的研究
5.1 频繁模式挖掘算法的数据流处理模型
5.2 滑动窗口模型的频繁模式挖掘算法
5.3 MFI-TransSW算法
5.3.1 算法主体思想
5.3.2 MFI-TransSW算法缺陷
5.4 改进算法MFI-MultiSW
5.4.1 算法改进技术
5.4.2 频繁模式挖掘过程
5.4.3 频繁模式中的时序限制
5.5 实验结果
5.6 本章小结
6 总结和展望
6.1 研究正作总结
6.2 工作展望
致谢
参考文献
附录