多維時間序列分類技術(shù).pdf

1、時間序列問題廣泛存在于諸多應(yīng)用領(lǐng)域中，因此近年來獲得了數(shù)據(jù)挖掘領(lǐng)域研究者的普遍關(guān)注。多數(shù)應(yīng)用領(lǐng)域中，隨著多媒體技術(shù)的迅速發(fā)展，產(chǎn)生了越來越多的多維時間序列數(shù)據(jù)，其中包括動作捕捉數(shù)據(jù)，生物信息序列，金融數(shù)據(jù)，移動對象跟蹤，人機(jī)交互接口等許多類別的多維時間序列數(shù)據(jù)。然而，目前該領(lǐng)域所取得的大多數(shù)研究成果基本都是面向一維時間序列的。因此，數(shù)據(jù)挖掘領(lǐng)域十分需要一種為時間序列處理，尤其是模式識別應(yīng)用提供的面向多維時間序列這種數(shù)據(jù)形式的解決方案。

2、 針對多維時間序列的特性，本文提出了一種簡單而有效的基于C4.5決策樹的分類模型，命名為CMM(C1assificalion Model for Multivariate Time Series)。CMM包含數(shù)據(jù)預(yù)處理和模型分類兩個部分。其中，數(shù)據(jù)預(yù)處理由兩個階段組成，即特征提取和維度分級及選擇兩個階段。在特征提取階段，我們首先采用Chebyshev擬合主導(dǎo)的自底向上的分段算法對時間序列施行多維分段，即綜合考慮全部維度的形態(tài)，而不

3、是將各維度割裂開來獨立對待。然后CMM從每段的每一維度中只提取一個Chebyshev系數(shù)作為該段該維度的局部特征，生成特征矩陣。維度分級及選擇采用監(jiān)督模式。CMM使用combined information grin ratio作為每一維度的分級標(biāo)準(zhǔn)，combined information gain ratio量化了該維度的分類能力。CMM選擇前K個分類能力最強(qiáng)的維度，使用這K個維度中的特征來構(gòu)成特征向量，對原始多維時間序列向量化。數(shù)