基于多尺度全卷积网络和交叉聚类算法的时间序列分类

目录

声明

第一章 绪论

1.1 研究背景与意义

1.2 问题描述与国内外研究现状

1.2.1 时间序列分类相关定义

1.2.2 时间序列分类的国内外研究现状

1.3 论文的研究内容与创新点

1.4 论文的章节安排

第二章 相关研究工作

2.1 引言

2.2 基于距离的时间序列分类基线模型

2.2.1 基于欧氏距离的最近邻模型

2.2.2 基于动态时间规整距离的最近邻模型

2.3 基于特征表示的时间序列分类模型

2.3.1 基于符号化的特征表示方法

2.3.2 基于Shapelet的特征提取方法

2.4 基于集成学习的时间序列分类模型

2.4.1 集成学习

2.4.2时间序列集成分类模型

2.5 基于深度学习的时间序列分类模型

2.5.1 全卷积神经网络

2.5.2 多尺度卷积神经网络

2.6 小结

第三章 基于FCN网络的多尺度特征集成学习

3.1 引言

3.2 基于FCN网络的多尺度特征集成模型

3.2.1 一维卷积

3.2.2 基于FCN网络多尺度特征集成学习

3.3 试验

3.3.1 试验数据集与超参数设置

3.3.2 试验结果与分析

3.4 小结

第四章 基于交叉聚类数据变换的时间序列分类方法

4.1 引言

4.2 基于交叉聚类数据变换的时间序列分类方法

4.2.1 交叉聚类算法

4.2.2 基于交叉聚类的时间序列数据分类算法

4.3 结果和可解释性

4.3.1 基于交叉聚类的最近邻算法的结果

4.3.2 基于距离阈值限制交叉聚类的时间序列分类模型的结果

4.3.3 交叉聚类算法为什么可以提升模型的准确度？

4.4 小结

第五章 Sub-FCN-LSTM时间序列分类模型

5.1 引言

5.2 Sub-FCN-LSTM时间序列分类模型

5.2.1 FCN-LSTM时间序列分类模型

5.2.2 Sub-FCN-LSTM时间序列分类模型

5.2.3 Sub-FCN时间序列分类模型

5.3 试验结果

5.3.1 试验数据集与超参数设置

5.3.2 试验结果

5.4小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

附录：攻读硕士期间的成果