基于流形學(xué)習(xí)的時(shí)間序列聚類研究.pdf

1、中圖分類號(hào)：TP274UDC：620密級(jí)：學(xué)校代碼：公開11832河北經(jīng)貿(mào)大學(xué)碩士學(xué)位論文(學(xué)歷碩士)基于流形學(xué)習(xí)的時(shí)間序列聚類研究ResearchontimeseriesclusteringbasedonManifoldLearning作者姓名：劉學(xué)指導(dǎo)教師：翁小清教授學(xué)科專業(yè)名稱：計(jì)算機(jī)軟件與理論論文完成日期：2016年03月摘要現(xiàn)實(shí)世界不是靜止不動(dòng)的，而是隨著時(shí)間在不斷變化。時(shí)間序列一般是維數(shù)比較高且按時(shí)間次序進(jìn)行排列的數(shù)據(jù)。它的

2、生成過程極易受周圍環(huán)境的影響，并且有部分噪聲，時(shí)間點(diǎn)一般是連續(xù)且均勻分布的。聚類是對(duì)沒有類標(biāo)簽的實(shí)例根據(jù)相似度進(jìn)行分組，相似度大的實(shí)例分為一組，不同組之間的實(shí)例相似度最小。時(shí)間序列聚類普遍應(yīng)用于工業(yè)、農(nóng)業(yè)、交通、手勢(shì)識(shí)別等行業(yè)。它的應(yīng)用實(shí)例有很多，如投資組合風(fēng)險(xiǎn)管理、自然語(yǔ)言理解、交通流等。本文以時(shí)間序列數(shù)據(jù)為研究對(duì)象，探討了利用不同的流形學(xué)習(xí)算法對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行聚類以及聚類融合，從而提高聚類性能。本文的主要研究工作如下：(1)基于流

3、形學(xué)習(xí)的時(shí)間序列聚類研究。時(shí)間序列數(shù)據(jù)通常不僅數(shù)據(jù)量大，而且是高維的，直接對(duì)原始數(shù)據(jù)集進(jìn)行聚類，得到的聚類性能一般不會(huì)很好。如何有效的對(duì)時(shí)間序列降維，而且保留原數(shù)據(jù)集的主要信息，是本文的一個(gè)研究點(diǎn)。針對(duì)時(shí)間序列這個(gè)特點(diǎn)，對(duì)來自不同領(lǐng)域的10個(gè)時(shí)間序列數(shù)據(jù)集，分別使用三種流形學(xué)習(xí)方法，局部保持投影(LocalityPreservingProjection，LPP)、局部線性嵌入(LocallyLinearEmbedding，LLE)、鄰域

4、保持嵌入(NeighborhoodPreservingEmbedding，NPE)將其維數(shù)約簡(jiǎn)，并對(duì)降維后的數(shù)據(jù)用K均值算法進(jìn)行聚類。這三種流形學(xué)習(xí)方法既可以對(duì)高維數(shù)據(jù)進(jìn)行維數(shù)約簡(jiǎn)，也可以試圖去發(fā)現(xiàn)高維數(shù)據(jù)中存在的低維流形結(jié)構(gòu)。將三種流形學(xué)習(xí)算法的實(shí)驗(yàn)結(jié)果分別與對(duì)原始數(shù)據(jù)直接K一均值聚類、使用主成分分析(PrincipalComponentAnalysis，PCA)降維后再聚類、使用分段聚合近似(PiecewiseAggregateAp

5、proximation，PAA)降維后再聚類的結(jié)果進(jìn)行配對(duì)樣本f檢驗(yàn)，實(shí)驗(yàn)顯示三種流形學(xué)習(xí)算法的聚類性能要好于這些方法。(2)基于流形學(xué)習(xí)的時(shí)間序列聚類融合研究。只使用一種聚類算法也許實(shí)驗(yàn)結(jié)果會(huì)不穩(wěn)定，如今融合多個(gè)聚類的結(jié)果已成為一種趨勢(shì)。聚類融合是將多個(gè)聚類算法或一種聚類算法通過不同的初始化或參數(shù)獲得的多個(gè)聚類成員使用共識(shí)函數(shù)進(jìn)行融合，獲得最終的聚類結(jié)果。它能比較好地提升聚類算法的穩(wěn)定性。對(duì)來自不同領(lǐng)域的10個(gè)時(shí)間序列數(shù)據(jù)集使用LPP