基于流形學習的時間序列聚類研究.pdf

1、中圖分類號：TP274UDC：620密級：學校代碼：公開11832河北經貿大學碩士學位論文(學歷碩士)基于流形學習的時間序列聚類研究ResearchontimeseriesclusteringbasedonManifoldLearning作者姓名：劉學指導教師：翁小清教授學科專業(yè)名稱：計算機軟件與理論論文完成日期：2016年03月摘要現(xiàn)實世界不是靜止不動的，而是隨著時間在不斷變化。時間序列一般是維數比較高且按時間次序進行排列的數據。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，時間點一般是連續(xù)且均勻分布的。聚類是對沒有類標簽的實例根據相似度進行分組，相似度大的實例分為一組，不同組之間的實例相似度最小。時間序列聚類普遍應用于工業(yè)、農業(yè)、交通、手勢識別等行業(yè)。它的應用實例有很多，如投資組合風險管理、自然語言理解、交通流等。本文以時間序列數據為研究對象，探討了利用不同的流形學習算法對時間序列數據進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、形學習的時間序列聚類研究。時間序列數據通常不僅數據量大，而且是高維的，直接對原始數據集進行聚類，得到的聚類性能一般不會很好。如何有效的對時間序列降維，而且保留原數據集的主要信息，是本文的一個研究點。針對時間序列這個特點，對來自不同領域的10個時間序列數據集，分別使用三種流形學習方法，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)將其維數約簡，并對降維后的數據用K均值算法進行聚類。這三種流形學習方法既可以對高維數據進行維數約簡，也可以試圖去發(fā)現(xiàn)高維數據中存在的低維流形結構。將三種流形學習算法的實驗結果分別與對原始數據直接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)降維后再聚類的結果進行配對樣本f檢驗，實驗顯示三種流形學習算法的聚類性能要好于這些方法。(2)基于流形學習的時間序列聚類融合研究。只使用一種聚類算法也許實驗結果會不穩(wěn)定，如今融合多個聚類的結果已成為一種趨勢。聚類融合是將多個聚類算法或一種聚類算法通過不同的初始化或參數獲得的多個聚類成員使用共識函數進行融合，獲得最終的聚類結果。它能比較好地提升聚類算法的穩(wěn)定性。對來自不同領域的10個時間序列數據集使用LPP