基于随机特征采样的时间序列分类算法的研究与实现

发布时间：2024-04-02 18:53

　　时间序列分类是时间序列研究的关键部分,为了高分类的准确率以及算法执行的效率,本文出了基于特征采样的时间序列分类方法。时间序列数据往往具有不等长的特性,常规的机器学习以及深度学习方法无法直接应用于时间序列分类问题。传统的时间序列分类算法主要有两种,一种是基于距离的算法,通过设定距离函数,找到与给定时间序列最相近的查询序列,另一种是基于特征取的算法,通过取时间序列的主要特征信息来进行分类。特征取方法相比于基于距离的分类方法,具有分类准确率高的优点,但是需要花费大量的时间进行特征取,如何设计简单高效的特征取方法,从而将时间序列问题与机器学习方法相结合,是本文的核心研究内容。本文通过特征采样方法将不等长的时间序列数据集转化为具有等长特征维度的数据集,主要包括简单随机特征采样方法,等时间间隔特征采样方法,分段随机特征采样方法。相比于以shapelet方法为代表的传统特征取方法,本文出的特征采样方法计算过程简单,无需进行大量的计算,同时,对于原始时间序列的特征取具有无损性。此外,对于特征采样算法中包含的参数,本文使用改进后的交叉验证方法对其进行调整和确定,高了分类的准确率。在对分类器的设计上,本文...

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图2-4UCR数据集述本文的实验平台为macos平台，具体配置为i52.4GHZCPU，8GB内存，操作系统为macOSSierra

图2-4UCR数据集述本文的实验平台为macos平台，具体配置为i52.4GHZCPU，8GB内存，操作系统为macOSSierra。使用python语言实现本文的算法。在LSTM分类器的实现中，本文使用tensorflow作为底层，集合ke....

图3-1分类算法的整体流程

第3章分类器的设计与实现在上一章中我们介绍了如何使用特征采样算法将具有不等长属性的时间序列数据转换为等长的采样数据。本章将具体介绍分类算法的设计，以如何将分类算法与特征采样算法结合，从而应用到时间序列分类问题中。3.1分类算法概述分类算法的目的是根据数据集的特征构造一个分....

图3-3分类器的结构

图3-3分类器的结构，对于时间序列S，经过分段随机特征采样算的采样数据集，我们将采样数据集作为分类器一个样本，均是n维向量的形式。LSTM神经samples，timesteps，input_dim）。其中sampesteps表示样本数据中数据的步长，这里步长入数据....

图3-4l-rate参数对于分类效果的影响

本文编号：3946051