时序数据规则发现算法研究

《时序数据规则发现算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、上海交通大学硕士学位论文时序数据规则发现算法研究姓名：张琛申请学位级别：硕士专业：控制理论与控制工程指导教师：杜秀华20060101上海交通大学硕士论文时序数据规则发现算法研究摘要时间序列数据是一类普遍而又广泛存在的数据类型随着数据采集存储和计算能力的提高时序数据挖掘将会受到人们愈来愈多的关注和发展时序规则发现研究主要是通过对时序数据的算法研究分析获得或归纳出数据所反映的研究对象潜在的变化规律或模式从而帮助人们提高对研究对象的认知提供相应的信息支持如预测在自然科学研究和生产应用方面都具有重要的研究价值目前有关时序规则发现的算法研究还比较少还没有得到广泛的实际应用数据预处理在数据

2、挖掘流程中具有重要作用是挖掘算法的研究前提和基础本文在对离散傅立叶去噪声平滑数据算法分析的基础上针对时序数据提出了通过筛选傅立叶变换系数来提高计算效率的改进方法接着对两类数据归约算法进行了分析分段平均值近似PAA算法将数据序列进行数值标准化压缩降维符号化累积近似SAX算法将数据进一步压缩和符号转换为模式搜索EMMA算法研究和规则可视化技术提供挖掘数据源如何有效的在时间序列中查找频繁子序列从而揭示或归纳出研究对象潜在的运行规律或模式的算法研究是目前时序数据规则发现的重要研究内容矩阵近似列举模体搜索算法EMMA利用滑动窗口将经过预处理的符号化分段子序列存入hash表通过搜索具有最多

3、1上海交通大学硕士论文子序列数量的hash表范围区间并调用ADM搜索算法得到最频繁子序列在此基础上通过对模式搜索算法的改进解决同一模式重复发现的问题同时减小了计算复杂度以实例仿真和算法评估来验证分析可视化技术提供了一种在用户和研究对象之间的图像交互方法利用容易理解的图形图表等直观的表现方式来表示对象特征从时间序列数据的整体特征角度考虑利用数据可视化技术针对具有明显时间周期性的时序数据以图像呈现的方式来反映出数据的特征分布从而得到时序规则归纳通过三类可视化技术族线旋转图可视树的实现方法和实例分析验证了规则可视化研究方法的可行性和有效性本文最后从数据挖掘应用角度考虑设计并实现了网络

4、数据挖掘平台DBNetMiner首先利用UML统一建模语言来设计平台的模型结构和功能流程以VB.net和SQL数据库程序进行平台界面设计然后给出了一种方法将matlab挖掘算法文件编译成com组件形式嵌入到仿真平台中实现平台的挖掘功能最后给出了程序展示和扩展补充说明对数据挖掘实际应用提供一定的参考价值关键词数据挖掘时间序列规则符号化模式可视化UML组件2上海交通大学硕士论文RESEARCHONRULESDISCOVERYINTIMESERIESDATAMININGABSTRACTTimeseriesdataisacommondatatypewhichexistswidely.W

5、iththeenhancementofdataacquisitionmemorystorageandcomputingability,timeseriesdataminingwilldevelopandgetmoreandmoreattentionofhumanbeings.Throughtheanalysisoftimeseriesdata,theresearchoftimeseriesdatacangetorsummarizethechangerulesandpatternsofresearchobjects,whichcanhelpusrealizetheresearch

6、andsupplyrelativeinformationsupportsuchasforecast,soithasgreatvalueinscienceR&Dandmanufacture.However,therearesofewarithmeticresearchthatisnotinusewidely.Datapreprocessisveryimportantindataminingandisthepreconditionandbaseofminingarithmetic.Basedonthearithmeticanalysisofdiscretefouriernoisee

7、rasable,thispaperintroducetheimprovementmethodincomputingefficiencybyfilteringfouriercounterchangemodulus,andthenanalyzestwodataarithmetic.Piece-wiseAverageApproximationPAAmakesdatastandardizedandcompresseddimension,SymbolicAggregateapproXimationSA