一种基于自适应滑动窗口的突变点在线检测方法
发布时间：2022-12-05 06:37
近20年来,数据在各行各业受到越来越多的关注,生产、交易、医疗等领域的数据被大量收集,用于企业产品升级或服务转型方面的研究。社会各界对数据的重视加速了数据分析技术的发展,也对现有的数据分析方法提出了更高的要求。由于数据流具有即时性高、流速大的特点,传统的离线数据分析方法已经不能满足数据流分析的实时性要求。因此,数据流的在线分析方法应运而生,并逐渐得到学术界和工业界的青睐,成为数据流研究的重要方向。目前,滑动窗口模型是数据流突变点在线检测的关键技术之一。运用滑动窗口技术对到达的数据流切段,将数据流划分到若干个窗口中并加以分析,明显提高了突变点检测的速度,满足了在线检测的实时性要求。但在滑动窗口模型中,窗口大小选取不当会造成突变点检测精度下降的问题。窗口过大,窗口内数据波动被掩盖,会导致突变点检测精度降低;窗口过小,数据量少、携带信息少,也会导致突变点检测精度降低。所以,滑动窗口模型中窗口大小的选取,是影响数据流突变点检测精度的重要因素。本文以滑动窗口模型中窗口大小与突变点检测精度的关系为研究对象,提出了一种窗口大小可以根据检测过程进行动态调整的自适应窗口模型,并将该模型用于模拟数据和真实...
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景及意义
1.2 突变点研究现状
1.2.1 国内外突变点检测算法研究
1.2.2 数据流突变点检测应用
1.3 本文的研究内容及结构
第二章 突变点检测的基本理论
2.1 引言
2.2 数学基础
2.2.1 时序数据Z
2.2.2 分布函数F_m(x)
2.2.3 置信度与置信区间
2.3 常用检验方法
2.3.1 KS检验
2.3.2 小波分析法
2.3.3 性能评估方案
2.4 滑动窗口理论
2.4.1 应用场景
2.4.2 窗口模型
2.4.3 窗口更新
2.4.4 窗口尺寸
2.5 小结
第三章 基于TSTKS算法的滑动窗口模型构建
3.1 引言
3.2 TSTKS突变点检测算法
3.2.1 均值三叉树和差值三叉树构建
3.2.2 算法搜索规则
3.2.3 TSTKS算法仿真实验
3.3 TSTKS算法与滑动窗口模型构建与仿真
3.4 窗口宽度W变化实验
3.5 小结
第四章 基于自适应策略滑动窗口模型分析与验证
4.1 引言
4.2 基于自适应策略的滑动窗口算法
4.2.1 基于局部检测结果LDR的窗口调整策略
4.2.2 基于突变点间隔CPI的窗口调整策略
4.2.3 基于局部分布差异LDD窗口调整策略
4.3 三种策略性能对比实验及分析
4.4 小结
第五章 基于自适应滑动窗口模型的脑电数据应用分析
5.1 引言
5.2 自适应窗口策略自动选择方案
5.3 自适应窗口模型突变点检测仿真实验
5.4 脑电数据突变点检测与应用分析
5.5 小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
攻读硕士期间研究成果
致谢
【参考文献】：
期刊论文
[1]一种快速的突变点在线检测算法设计与实现[J]. 邹俊晨,齐金鹏,李娜,刘佳伦,朱厚杰. 电子科技. 2020(08)
[2]基于多级Haar小波变换与KS统计的突变点快速探测方法[J]. 宋巧红,齐金鹏,张煜. 计算机工程. 2018(05)
[3]大数据在精准扶贫过程中的应用及实践创新[J]. 莫光辉. 求实. 2016(10)
[4]多尺度直线拟合法在时间序列突变点检测中的应用[J]. 黄静,李长春,延皓,赵旭昌,杨雪松. 兵工学报. 2015(06)
[5]大数据:概念、技术及应用研究综述[J]. 方巍,郑玉,徐江. 南京信息工程大学学报(自然科学版). 2014(05)
[6]时间序列异常点及突变点的检测算法[J]. 苏卫星,朱云龙,刘芳,胡琨元. 计算机研究与发展. 2014(04)
[7]大数据应用的现状与展望[J]. 张引,陈敏,廖小飞. 计算机研究与发展. 2013(S2)
[8]网络大数据:现状与展望[J]. 王元卓,靳小龙,程学旗. 计算机学报. 2013(06)
[9]基于云计算的医疗大数据挖掘平台[J]. 高汉松,肖凌,许德玮,桑梓勤. 医学信息学杂志. 2013(05)
[10]基于“大数据”的商业模式创新[J]. 李文莲,夏健明. 中国工业经济. 2013 (05)
博士论文
[1]基于显著性检测和烟雾时空特征的视频火灾探测方法研究[D]. 贾阳.中国科学技术大学 2016
[2]大数据的社会价值与战略选择[D]. 张兰廷.中共中央党校 2014
[3]基于小波分析及数据融合的电气火灾预报系统及应用研究[D]. 余琼芳.燕山大学 2013
[4]基于多传感器信息融合的火灾危险度分布确定系统研究[D]. 王学贵.中国科学技术大学 2013
硕士论文
[1]基于多路搜索的时序突变异常快速分析[D]. 艾辣椒.东华大学 2018
[2]一种数据流突变点快速探测算法的研究与实现[D]. 宋巧红.东华大学 2018
[3]结构突变下国际原油价格与中美股票价格的波动溢出效应实证研究[D]. 肖景午.暨南大学 2017
[4]我国股票市场结构突变的贝叶斯研究[D]. 殷思宇.湖南大学 2015
[5]基于LLSA小波的高频金融时间序列突变点检测研究[D]. 许晓静.天津大学 2014
[6]滑动窗口模型下的数据流自适应异常检测方法研究[D]. 庞景月.哈尔滨工业大学 2013
[7]中国股票市场股指波动的突变性分析[D]. 侯有英.大连海事大学 2010
[8]小波分析与突变理论在变形分析中的应用研究[D]. 董坤烽.昆明理工大学 2009
本文编号：3709885
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景及意义
1.2 突变点研究现状
1.2.1 国内外突变点检测算法研究
1.2.2 数据流突变点检测应用
1.3 本文的研究内容及结构
第二章 突变点检测的基本理论
2.1 引言
2.2 数学基础
2.2.1 时序数据Z
2.2.2 分布函数F_m(x)
2.2.3 置信度与置信区间
2.3 常用检验方法
2.3.1 KS检验
2.3.2 小波分析法
2.3.3 性能评估方案
2.4 滑动窗口理论
2.4.1 应用场景
2.4.2 窗口模型
2.4.3 窗口更新
2.4.4 窗口尺寸
2.5 小结
第三章 基于TSTKS算法的滑动窗口模型构建
3.1 引言
3.2 TSTKS突变点检测算法
3.2.1 均值三叉树和差值三叉树构建
3.2.2 算法搜索规则
3.2.3 TSTKS算法仿真实验
3.3 TSTKS算法与滑动窗口模型构建与仿真
3.4 窗口宽度W变化实验
3.5 小结
第四章 基于自适应策略滑动窗口模型分析与验证
4.1 引言
4.2 基于自适应策略的滑动窗口算法
4.2.1 基于局部检测结果LDR的窗口调整策略
4.2.2 基于突变点间隔CPI的窗口调整策略
4.2.3 基于局部分布差异LDD窗口调整策略
4.3 三种策略性能对比实验及分析
4.4 小结
第五章 基于自适应滑动窗口模型的脑电数据应用分析
5.1 引言
5.2 自适应窗口策略自动选择方案
5.3 自适应窗口模型突变点检测仿真实验
5.4 脑电数据突变点检测与应用分析
5.5 小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
攻读硕士期间研究成果
致谢
【参考文献】：
期刊论文
[1]一种快速的突变点在线检测算法设计与实现[J]. 邹俊晨,齐金鹏,李娜,刘佳伦,朱厚杰. 电子科技. 2020(08)
[2]基于多级Haar小波变换与KS统计的突变点快速探测方法[J]. 宋巧红,齐金鹏,张煜. 计算机工程. 2018(05)
[3]大数据在精准扶贫过程中的应用及实践创新[J]. 莫光辉. 求实. 2016(10)
[4]多尺度直线拟合法在时间序列突变点检测中的应用[J]. 黄静,李长春,延皓,赵旭昌,杨雪松. 兵工学报. 2015(06)
[5]大数据:概念、技术及应用研究综述[J]. 方巍,郑玉,徐江. 南京信息工程大学学报(自然科学版). 2014(05)
[6]时间序列异常点及突变点的检测算法[J]. 苏卫星,朱云龙,刘芳,胡琨元. 计算机研究与发展. 2014(04)
[7]大数据应用的现状与展望[J]. 张引,陈敏,廖小飞. 计算机研究与发展. 2013(S2)
[8]网络大数据:现状与展望[J]. 王元卓,靳小龙,程学旗. 计算机学报. 2013(06)
[9]基于云计算的医疗大数据挖掘平台[J]. 高汉松,肖凌,许德玮,桑梓勤. 医学信息学杂志. 2013(05)
[10]基于“大数据”的商业模式创新[J]. 李文莲,夏健明. 中国工业经济. 2013 (05)
博士论文
[1]基于显著性检测和烟雾时空特征的视频火灾探测方法研究[D]. 贾阳.中国科学技术大学 2016
[2]大数据的社会价值与战略选择[D]. 张兰廷.中共中央党校 2014
[3]基于小波分析及数据融合的电气火灾预报系统及应用研究[D]. 余琼芳.燕山大学 2013
[4]基于多传感器信息融合的火灾危险度分布确定系统研究[D]. 王学贵.中国科学技术大学 2013
硕士论文
[1]基于多路搜索的时序突变异常快速分析[D]. 艾辣椒.东华大学 2018
[2]一种数据流突变点快速探测算法的研究与实现[D]. 宋巧红.东华大学 2018
[3]结构突变下国际原油价格与中美股票价格的波动溢出效应实证研究[D]. 肖景午.暨南大学 2017
[4]我国股票市场结构突变的贝叶斯研究[D]. 殷思宇.湖南大学 2015
[5]基于LLSA小波的高频金融时间序列突变点检测研究[D]. 许晓静.天津大学 2014
[6]滑动窗口模型下的数据流自适应异常检测方法研究[D]. 庞景月.哈尔滨工业大学 2013
[7]中国股票市场股指波动的突变性分析[D]. 侯有英.大连海事大学 2010
[8]小波分析与突变理论在变形分析中的应用研究[D]. 董坤烽.昆明理工大学 2009
本文编号：3709885
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3709885.html