基于小波變換的時間序列挖掘研究.pdf

1、時間序列是按時間順序排列的，隨時間變化且相互關(guān)聯(lián)的數(shù)據(jù)序列，在金融、科學(xué)觀測和工程等各個領(lǐng)域都廣泛存在。如何有效的管理和利用這些數(shù)據(jù)，發(fā)現(xiàn)這些數(shù)據(jù)背后隱含的規(guī)律和知識，是人們廣泛關(guān)注，具有重要意義的理論和實際應(yīng)用課題。 數(shù)據(jù)挖掘的方法主要有統(tǒng)計方法、機器學(xué)習(xí)方法、神經(jīng)網(wǎng)絡(luò)方法和數(shù)據(jù)庫方法。本文主要研究了小波變換應(yīng)用到時間序列挖掘中的方法，包括小波變換在時間序列屬性約簡，時間序列相似性匹配，時間序列奇異點檢測中的應(yīng)用，根據(jù)小波變換

2、的多分辨性提出了基于小波變換的聚類算法，重點研究了時間序列挖掘中的多層次相似性匹配和多層次頻繁模式挖掘問題。主要研究成果如下： 1.小波變換改進傳統(tǒng)聚類算法 針對傳統(tǒng)聚類算法如k-Means算法中初始聚類中心是隨機選擇的，不太合理的問題，提出了基于小波分析的時間序列聚類算法W-kMeans算法，一算出時間序列的Haar分解系數(shù)，就在這些系數(shù)上運用k-Means聚類算法，從第二個層次開始，再漸漸的進行到更高的層次上。

3、 2.時間序列的多尺度相似性模式匹配 改進了現(xiàn)有的時間序列多尺度相似匹配算法，現(xiàn)有算法中序列的片段相似標(biāo)準(zhǔn)僅僅考慮了兩個片段的傾角而沒有考慮長度，本文結(jié)合時間序列的KL相似性度量提出了一種更好更合理的多尺度時間序列相似模式匹配算法。并根據(jù)小波變換的多尺度性提出一種更有效，更合理的方法來解決時間軸伸縮問題，進行更長時間的模式匹配。 3.時間序列的多尺度頻繁模式挖掘 時間序列本身有長期和短期之分，挖掘時間序列的多尺