模型空間中的時間序列分類算法及其在不平衡數(shù)據(jù)上的應(yīng)用.pdf

1、時間序列是對動態(tài)系統(tǒng)隨時間順序采集到的有序觀測值集合,通常具有高維、異質(zhì)和含噪聲等特點。觀測值之間在時序上可能存在或長或短的依賴關(guān)系,構(gòu)成特定的時序動態(tài)模式,因而不同于一般的向量數(shù)據(jù)。對于時間序列這樣的結(jié)構(gòu)化對象,關(guān)鍵研究問題是(1)如何獲得反映動態(tài)模式的精簡低維表示,使得學(xué)習(xí)器能夠利用具有動態(tài)行為的序列數(shù)據(jù),(2)如何定義具有判別性的距離度量方式,使得類內(nèi)距離小而類間距離大。
　　本文提出基于模型空間的時間序列分類方法。該方法為

2、每個時間序列學(xué)習(xí)函數(shù)模型,在函數(shù)模型集合張成的空間(稱為模型空間)中度量原始數(shù)據(jù)的距離。最后,分類算法在該空間中進行。本文對模型空間的生成機制及其在不平衡序列數(shù)據(jù)分類中的應(yīng)用進行了研究,提出對模型的表示性,分類性和模型復(fù)雜度項進行優(yōu)化生成模型空間,并分析了多個目標(biāo)之間的關(guān)系。考慮到多目標(biāo)之間的不一致帶來的優(yōu)化困難,采用多目標(biāo)非支配排序演化算法對三個目標(biāo)同時進行優(yōu)化。針對分布不平衡的時間序列分類,基于核學(xué)習(xí)提出一種核特征空間中的過采樣學(xué)習(xí)

3、算法。
　　本文的主要貢獻如下:
　　1.本文提出一種多目標(biāo)學(xué)習(xí)方法,同時為時間序列優(yōu)化精簡函數(shù)表示、距離度量和模型復(fù)雜度。和優(yōu)化單個目標(biāo)得到的模型相比,本文方法學(xué)習(xí)得到的模型表示具有更好的時間序列分類準(zhǔn)確度和預(yù)測精度。
　　2.作為緩解不平衡分類問題的重要方法之一,傳統(tǒng)的過采樣方法不能適用于具有時序依賴關(guān)系、多變量和變長特性的時間序列。本文提出基于核學(xué)習(xí)獲得時間序列模型的非線性距離度量,并在中心化核特征空間進行過采樣