检索结果-南通市图书馆

软件学报 2014年第9期25卷 2002-2017页

作者：姜高霞王文剑山西大学计算机与信息技术学院，山西太原 030006

时序数据是数据挖掘的一类重要对象.在做时序数据分析时,若不考虑数据的时差,则会造成相关性的误判.所以,时序数据存在相关性和时差相互制约的问题.通过对时序数据的相关性和协同性进行研究,给出了双序列的相关性判定方法和曲线排齐方法... 详细信息

时序数据是数据挖掘的一类重要对象.在做时序数据分析时,若不考虑数据的时差,则会造成相关性的误判.所以,时序数据存在相关性和时差相互制约的问题.通过对时序数据的相关性和协同性进行研究,给出了双序列的相关性判定方法和曲线排齐方法.首先,从时间弯曲的角度分析了两类相关性错误产生的原因及其特点;然后,根据相关系数的渐近分布得到相关系数在一定显著性水平上的界,将两者综合得到基于时移序列相关系数特征的相关性判定方法;最后,提出一种基于相关系数最大化的曲线排齐模型,其适用范围比AISE准则更广.模型采用光滑广义期望最大化(S-GEM)算法求解时间弯曲函数.在构造数据和真实数据上的数值实验结果表明:该相关性判别方法在伪回归识别中,比常规的3种相关系数以及Granger因果检验更有效;提出的S-GEM算法在大多数情况下明显优于连续单调排齐法(CMRM)、自模型排齐法(SMR)和极大似然排齐法(MLR).该文考虑的是双序列的线性相关问题和函数型曲线排齐方法,这些结果可为回归分析的相关性判定和时间对齐提供理论基础,并为多序列相关性分析和曲线排齐提供参考方向.

关键词：伪回归时间弯曲相关性曲线排齐曲线光滑

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于非均匀采样的相关系数最大化曲线排齐方法

引用

模式识别与人工智能 2016年第1期29卷 72-81页

作者：张文凯王文剑姜高霞山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

在函数型数据分析中,为提高曲线排齐效率,提出如下2种非均匀采样方法对函数曲线进行排齐:基于斜率的非均匀采样(SBNS)和基于弧长的非均匀采样(ALBNS).SBNS按照函数曲线的斜率大小采样,ALBNS在函数曲线的弧长上采样.这两种方法都不是在... 详细信息

在函数型数据分析中,为提高曲线排齐效率,提出如下2种非均匀采样方法对函数曲线进行排齐:基于斜率的非均匀采样(SBNS)和基于弧长的非均匀采样(ALBNS).SBNS按照函数曲线的斜率大小采样,ALBNS在函数曲线的弧长上采样.这两种方法都不是在时间轴上均匀采样,而是根据曲线的形状特征进行采样,因此可在一定程度上克服均匀采样方法由于采样点数量和位置分配不当而产生的缺陷,提高曲线排齐效果.在模拟数据和真实数据上的实验表明,两种方法在时间效率和效果上均优于均匀采样方法.

关键词：函数型数据曲线排齐非均匀采样斜率弧长

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

时间序列的曲线排齐及其相似性度量方法研究

时间序列的曲线排齐及其相似性度量方法研究

引用

作者：张文凯山西大学

学位级别：硕士

在信息爆炸的大数据时代,无时无刻都在产生各式各样的海量数据,这使得数据挖掘技术也随着数据量以及数据种类的增加而不断发展。时间序列数据(简称时序数据)是一类常见的数据(如股票、居民消费价格指数、温度、湿度、心电图等等),也是... 详细信息

在信息爆炸的大数据时代,无时无刻都在产生各式各样的海量数据,这使得数据挖掘技术也随着数据量以及数据种类的增加而不断发展。时间序列数据(简称时序数据)是一类常见的数据(如股票、居民消费价格指数、温度、湿度、心电图等等),也是数据挖掘中经常研究的数据对象。此外,一些数据由于其自身特征比较复杂,现有的数据分析技术较难对其分析,因此将其转换成时序数据可以更好地对数据进行分析,如在研究树叶形状时,可以将经测量得到的树叶边缘到几何中心的距离数据按照相邻位置关系组成一个时间序列,进而对其进行分析。由于时序数据具有容易建模、分析技术比较成熟等优点,所以直接对时序数据分析更加方便且可以提取更多信息。时序数据挖掘的主要研究内容有预测建模、聚类、分类等,而数据对象之间的相关度分析是其挖掘方法的重要前提,相关度分析结果的优劣会在很大程度上影响数据分析的结果,所以如何提高目标数据之间的相关度分析精度是时间序列分析的一项主要工作。在对时序数据进行相关度分析时,会遇到在形状和走势上有很大相似性但是存在时间弯曲(时间差)的一类数据,时间弯曲的出现会严重影响研究对象间的相关度分析效果,因而很容易产生类别误判,所以首先对时序数据进行排齐;此外,对于如何提取属性并通过属性定义相关性也是时序数据挖掘的关键。因此,本文针对时序数据曲线排齐和相似性度量展开研究,主要研究内容如下:(1)提高曲线排齐的效果和效率方法研究。本文提出两种非均匀采样方法对曲线进行排齐:基于斜率的非均匀采样(Slope based non-uniform sampling,SBNS)和基于弧长的非均匀采样(Arc length based non-uniform sampling,ALBNS),前者按照函数曲线的斜率大小采样,后者在函数曲线的弧长上采样。这两种方法都不是在时间轴上均匀采样,而是根据曲线的形状特征进行采样,因而可在一定程度上克服均匀采样方法由采样点数量和位置分配不当而产生的缺陷,从而提高曲线排齐效果。在模拟数据和实际数据中的测试效果说明,两种非等间隔采样方式在效率和效果上都优于均匀采样。(2)提高时间序列间的相关度分析精度方法研究。提出两种解决方法,分别为平移最大化相关系数方法(The Maximum Shifting Correlation Coefficient Similarity Method,MSCD)和基于属性变换的相似性度量方法(The Attribute Transformation Based Similarity Measure,AT)。前者通过曲线排齐来避免由时差引起的相关性误差,进而提高带时差数据对象间的相关度分析精度;后者是将更能表示时间序列本身特征以及相互之间关系的特征作为自身的属性,将这些属性构成的新的序列替换原始时间序列以进一步对其相似性进行度量。通过多组聚类方法测试效果表明提出的两种相关度分析方法在一定水平上可以提升时间序列相关度分析精度。本文针对时序数据的曲线排齐和相关度分析展开研究,提出的曲线排齐方法和相关度分析方法可以为时序数据的聚类、分类及预测建模等分析技术奠定基础。

关键词：时间序列曲线排齐非均匀采样相关系数属性变换

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时序数据相关性挖掘的WAMS/SCADA数据融合方法

引用

高电压技术 2016年第1期42卷 315-320页

作者：魏大千王波刘涤尘陈得治唐飞郭珂武汉大学电气工程学院武汉430072 中国电力科学研究院北京100192

在电力系统多运行方式的背景下,研究WAMS/SCADA等量测数据融合是解决大电网在线稳定分析的关键点之一。为此,基于理论分析,从2者数据相关性角度研究了WAMS/SCADA相关性系数,提出了基于时序数据相关性挖掘的WAMS/SCADA数据融合方法。通... 详细信息

在电力系统多运行方式的背景下,研究WAMS/SCADA等量测数据融合是解决大电网在线稳定分析的关键点之一。为此,基于理论分析,从2者数据相关性角度研究了WAMS/SCADA相关性系数,提出了基于时序数据相关性挖掘的WAMS/SCADA数据融合方法。通过构建Pearson相关性系数,对WAMS/SCADA的相关性进行评估;运用广义EM算法对量测数据曲线时差问题进行函数模型求解;在考虑量测权值的情况下对量测有效性进行分析。结果表明:对3种不同数据进行状态估计后,经过数据融合后的曲线结果在系统稳定时段与出现扰动时段均保持平稳;基于时序数据相关性融合法所得到的状态估计曲线变化趋势与其他算法相同,混合量测状态估计结果误差<5%。IEEE 118节点母线系统算例的仿真结果验证了上述方法的有效性与稳定性。

关键词：时序数据相关性挖掘曲线排齐 WAMS/SCADA系统数据融合 Pearson相关系数

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：