检索结果-南通市图书馆

面向时间序列有序分类的shapelet抽取算法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

电子科技大学学报 2023年第6期52卷 887-896页

作者：杨骏敬思远钟勇中国科学院成都计算机应用研究所成都610041 乐山师范学院电子信息与人工智能学院四川乐山614000 中国科学院大学计算机科学与技术学院北京石景山区100049 厅市共建智能终端四川省重点实验室四川宜宾644000

当前面向时间序列有序分类的shapelet抽取算法,首先计算shapelet与时间序列之间的欧式距离及其类别标签之间的距离,然后根据两种距离的皮尔逊相关系数或斯皮尔曼相关系数来对shapelet进行评价,效率较低。针对该问题,提出一种基于SAX表... 详细信息

当前面向时间序列有序分类的shapelet抽取算法,首先计算shapelet与时间序列之间的欧式距离及其类别标签之间的距离,然后根据两种距离的皮尔逊相关系数或斯皮尔曼相关系数来对shapelet进行评价,效率较低。针对该问题,提出一种基于SAX表示时间序列的shapelet评价指标CD-Cover,该指标同时考虑shapelet对时间序列数据集的覆盖集中度和覆盖优势度。其次,提出一种基于随机采样的shapelet抽取算法,该算法采用布隆过滤器对候选shapelet进行预剪枝,采用移除自相似策略对抽取结果进行后剪枝。在11个时间序列公开数据集上的实验结果表明,相比现有方法,该算法抽取的shapelet具有更好的有序分类能力,且算法的计算效率也更高。

关键词：特征评价有序分类 shapelet 时间序列

融合选择提取与子类聚类的快速shapelet发现算法

在线全文

学校读者我要写书评

暂无评论

软件学报 2020年第3期31卷 763-777页

作者：赵超王腾江刘士军潘丽嵇存山东大学软件学院山东济南250101 浪潮通用软件有限公司山东济南250101 山东师范大学信息科学与工程学院山东济南250014

基于shapelet的时间序列分类算法具有可解释性,且分类准确率高、分类速度快.在这些算法中,shapelet学习算法不依赖于单一分类器,能够学习出不在原始时间序列中的shapelet,可以取得较高的分类准确率,同时还可以保证shapelet发现和分类器... 详细信息

基于shapelet的时间序列分类算法具有可解释性,且分类准确率高、分类速度快.在这些算法中,shapelet学习算法不依赖于单一分类器,能够学习出不在原始时间序列中的shapelet,可以取得较高的分类准确率,同时还可以保证shapelet发现和分类器构建同时完成;但如果产生的shapelet过多,会增加依赖参数,导致训练时间太长,分类速度低,动态更新困难,且相似重复的shapelet会降低分类的可解释性.提出一种选择性提取方法,用于更精准地选择shapelet候选集,并改变学习方法以加速shapelet学习过程;方法中提出了两个优化策略,通过对原始训练集采用时间序列聚类,可以得到原始时间序列中没有的shapelet,同时在选择性提取算法中加入投票机制,以解决产生shapelet过多的问题.实验表明,该算法在保持较高准确率的同时,可以显著地提高训练速度.

关键词：时间序列分类 shapelet 候选集选择性提取

基于shapelet的不相关情感子序列挖掘方法

在线全文

学校读者我要写书评

暂无评论

南京大学学报（自然科学版） 2020年第1期56卷 57-66页

作者：吴静怡吴钟强商琳南京大学计算机软件新技术国家重点实验室南京210023 南京大学计算机科学与技术系南京210023

为了描述和分析特定微博事件的情感变化,情感时间序列被应用在微博事件分析当中.情感时间序列是根据不同时间段内的情感强度生成的曲线,能够描述用户关于事件的情感随时间变化的趋势.为了使对微博的情感挖掘定位到更为精准的时间片,提... 详细信息

为了描述和分析特定微博事件的情感变化,情感时间序列被应用在微博事件分析当中.情感时间序列是根据不同时间段内的情感强度生成的曲线,能够描述用户关于事件的情感随时间变化的趋势.为了使对微博的情感挖掘定位到更为精准的时间片,提出一种基于shapelet的不相关情感子序列挖掘方法.首先通过事件和不同类别用户的微博生成相应的情感时间序列,然后利用基于shapelet的思想将相应序列划分成不同的子序列,最后通过计算不同种类用户的子序列和事件子序列的相似性得到最不相关的情感子序列.通过基于微博事件数据集的实验展示了使用该方法挖掘出的情感子序列结果,并进一步通过情感相似度方法验证了该方法的合理性.

关键词：时间序列微博情感分析数据挖掘 shapelet

多源时间序列中具有显著时间间隔的shapelet对挖掘

在线全文

学校读者我要写书评

暂无评论

数据采集与处理 2016年第1期31卷 168-177页

作者：李钟麒段磊胡斌邓松秦攀武汉大学软件工程国家重点实验室武汉430072 四川大学计算机学院成都610065 国家电网智能电网研究院南京210003 南京邮电大学先进技术研究院南京210003

shapelet作为时间序列特征,具有较好的可解释性。shapelet在行为识别、聚类分析及异常检测等方向均得到了广泛应用。但在电力运行监测、医学图像分析以及流媒体监测等领域,时间序列具有多源、同步的特点,仅对单一源上的时间序列提取Shap... 详细信息

shapelet作为时间序列特征,具有较好的可解释性。shapelet在行为识别、聚类分析及异常检测等方向均得到了广泛应用。但在电力运行监测、医学图像分析以及流媒体监测等领域,时间序列具有多源、同步的特点,仅对单一源上的时间序列提取shapelet可能丢失序列间相关性。在shapelet概念基础上,本文提出p-shapelet作为不同源的shapelet间关于时间间隔的特征表达,从而实现分析不同源shapelet间的相关性。具体地,为找出不同类别样本间时间间隔具有最显著差异的shapelet对,设计并实现了并行化挖掘的算法p-shapelet miner。算法采用信息增益对不同源间的shapelet对进行评价,并找出能最大化信息增益的shapelet对(p-shapelet)。利用CMU人体动作捕捉数据集进行实验,验证了算法的有效性与执行效率。

关键词：时间序列特征提取信息增益 shapelet

Multi‑shapelet:一种基于shapelet的多变量时间序列分类方法

在线全文

学校读者我要写书评

暂无评论

数据采集与处理 2023年第2期38卷 386-400页

作者：詹熙黎维潘志松中国人民解放军陆军工程大学指挥控制工程学院南京210007

shapelet是时间序列中最具有辨识性的子序列,其一经提出就被来自各个领域的研究人员广泛研究,并在此过程中提出了许多有效的shapelet发现技术用于进行时间序列分类。然而,多变量时间序列的候选shapelet可能长度不同且变量来源不同,故很... 详细信息

shapelet是时间序列中最具有辨识性的子序列,其一经提出就被来自各个领域的研究人员广泛研究,并在此过程中提出了许多有效的shapelet发现技术用于进行时间序列分类。然而,多变量时间序列的候选shapelet可能长度不同且变量来源不同,故很难直接对其进行比较,这对基于shapelet多变量时间序列分类方法提出了独特的挑战。为了应对这一挑战,提出了一种基于无监督表示学习和shapelet的多变量时间序列分类方法Multi‑shapelet。Multi‑shapelet首先使用混合模型DC‑GNN(Dilated convolution neural network and graph neural network,DC‑GNN)作为编码器,将不同长度的候选shapelet嵌入统一的shapelet选择空间,以进行shapelet之间的比较;其次,提出了一种新的损失函数以无监督学习方式训练该编码器,使得DC‑GNN对shapelet编码得到相应的嵌入(Embedding)后,属于同类shapelet对应的嵌入之间的相对位置形成的拓扑与原空间中shapelet之间相对位置形成的拓扑之间的关系更接近于一种等比例的缩小,这对后续基于相似性的剪枝过程十分重要;最后,使用K‑means聚类和模拟退火算法进行shapelet剪枝和选择操作。在UEA的18个多变量时间序列数据集上的实验结果表明,Multi‑shapelet的整体精度相比于其他方法得到了显著提升。

关键词： shapelet 无监督表示学习 K‑means聚类模拟退火算法 shapelet剪枝

基于趋势特征表示的shapelet分类方法

在线全文

学校读者我要写书评

暂无评论

计算机应用 2017年第8期37卷 2343-2348,2356页

作者：闫欣鸣孟凡荣闫秋艳中国矿业大学计算机科学与技术学院江苏徐州221116

shapelet是一种具有辨识性的时间序列子序列,通过识别局部特征达到对时间序列准确分类的目的。原始shapelet发现算法效率较低,大量工作关注于提高shapelet发现的效率。然而,对于带有趋势变化的时间序列,采用典型的时间序列表示方法进行s... 详细信息

shapelet是一种具有辨识性的时间序列子序列,通过识别局部特征达到对时间序列准确分类的目的。原始shapelet发现算法效率较低,大量工作关注于提高shapelet发现的效率。然而,对于带有趋势变化的时间序列,采用典型的时间序列表示方法进行shapelet发现,容易造成序列中趋势信息的丢失。为了解决时间序列趋势信息丢失的问题,提出一种基于趋势特征的多样化top-k shapelet分类方法:首先采用趋势特征符号化方法对时间序列的趋势信息进行表示;然后针对序列的趋势特征符号获取shapelet候选集合;最后通过引入多样化top-k查询算法从候选集中选取k个最具代表性的shapelets。在时间序列的分类实验中,与传统分类算法相比,所提方法在11个数据集上的分类准确率均有提升;与Fast shapelet算法相比,提升了运行效率,缩短了算法的运行时间,并在趋势信息明显的数据上效果显著。结果表明,所提方法能有效提高时间序列的分类准确率,提升算法运行效率。

关键词： shapelet 趋势特征符号化多样化top-k查询时间序列分类

在线全文

学校读者我要写书评

暂无评论

基于shapelet的恶意代码检测方法

信息网络安全 2018年第3期 70-77页

作者：李云春鲁文涛李巍北京航空航天大学计算机学院北京100191

针对基于传统恶意代码签名的恶意代码检测方法在检测恶意代码时难以应对变形、多态与其他恶意代码变异技术等问题,以及在检测过程中最坏情况下的时间复杂度过高的特点,文章基于恶意代码在沙箱中运行时使用的API调用序列,利用时间序列数... 详细信息

针对基于传统恶意代码签名的恶意代码检测方法在检测恶意代码时难以应对变形、多态与其他恶意代码变异技术等问题,以及在检测过程中最坏情况下的时间复杂度过高的特点,文章基于恶意代码在沙箱中运行时使用的API调用序列,利用时间序列数据分类中的shapelet思想构建可用于恶意代码分类的恶意代码分类树。实验结果表明该方法不仅能够应对恶意代码变异技术,还可以缩短恶意代码检测的时间。

关键词：恶意代码检测变形时间复杂度 shapelet 分类树

基于优化shapelet的时间序列分类方法

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2023年第8期23卷 3345-3353页

作者：王威娜胡佳利任艳吉林化工学院信息与控制工程学院吉林132022 沈阳航空航天大学人工智能学院沈阳110136

基于shapelet的时间序列分类算法具有可解释性强、准确率高、速度快的优点,然而在shapelet发现过程中存在shapelet产生冗余和形式局限的缺点,严重制约了算法性能的提高。针对这一问题,提出一种基于优化shapelet的时间序列分类算法,该方... 详细信息

基于shapelet的时间序列分类算法具有可解释性强、准确率高、速度快的优点,然而在shapelet发现过程中存在shapelet产生冗余和形式局限的缺点,严重制约了算法性能的提高。针对这一问题,提出一种基于优化shapelet的时间序列分类算法,该方法首先利用K-means生成典型的shapelet候选集,加速shapelet的生成过程;然后,融合相似性和类标差异性提出shapelet的选取模型,确保shapelet的多样性和精简性;最后,提出优化策略获取最佳的shapelet,并以此为基础实施时间序列分类。实验结果表明:该方法具有较高的分类准确率,并对位移和扭曲特征明显的数据集具有良好的分类效果。

关键词：时间序列时间序列分类 shapelet 优化策略

嵌入典型时间序列特征的随机shapelet森林算法

在线全文

学校读者我要写书评

暂无评论

计算机科学 2022年第7期49卷 40-49页

作者：高振卓王志海刘海洋北京交通大学计算机与信息技术学院北京100044 交通数据分析与挖掘北京市重点实验室北京100044

近年来,时间序列分类问题的研究受到了广泛关注。先进的时间序列分类方法通常建立在良好的特征表示的基础之上。shapelet是时间序列中具备鉴别性的子序列,可有效表达时间序列的局部形状特征。然而,高昂的计算成本大大限制了基于Shapele... 详细信息

近年来,时间序列分类问题的研究受到了广泛关注。先进的时间序列分类方法通常建立在良好的特征表示的基础之上。shapelet是时间序列中具备鉴别性的子序列,可有效表达时间序列的局部形状特征。然而,高昂的计算成本大大限制了基于shapelet的时间序列分类方法的实用性。除此之外,传统的shapelet仅能描述欧氏距离度量下子序列的形状特征,因此极易受到噪声干扰并难以挖掘子序列中蕴含的其他类型的鉴别性信息。为应对上述问题,提出了一种新的时间序列分类算法——嵌入典型时间序列特征的随机shapelet森林。该算法基于以下3个关键策略:1)随机选取shapelet并限制shapelet的作用范围以提高效率;2)在shapelet中嵌入多个典型时间序列特征以提高算法对不同分类问题的适应性,并弥补随机选取shapelet带来的精度损失;3)在新的特征表示的基础上构建随机森林分类器以确保算法的泛化能力。112个UCR时间序列数据集上的实验结果表明,本文算法的准确性超越了基于shapelet精确搜索和shapelet转换技术的STC算法,以及多个其他类型的先进时间序列分类算法。此外,广泛的实验对比验证了本文算法在效率上的显著优势。

关键词：时间序列分类 shapelet 典型时间序列特征随机森林