面向相似性的時間序列聚類方法研究.pdf

1、時間序列作為一種重要的數據形式，廣泛存在于社會生產的各個領域，形成規(guī)模龐大的時間序列數據庫，真實地記錄了應用系統(tǒng)在各個時刻的重要信息。為了充分利用這些歷史時間序列數據，從大型數據庫中尋找隱藏的知識，本學位論文對面向相似性的時間序列聚類方法進行了細致的研究。 由于時間序列數據通常具有數值范圍非有窮甚至離散、采樣速度不恒定、干擾噪聲形式多樣等問題，因此尋求某種高效的數據聚類算法是解決時間序列數據挖掘問題的關鍵。本文分析比較了現有的基

2、于K-均值、模糊C-均值、動態(tài)時間規(guī)整及自組織映射網絡的聚類算法，并通過實驗重點分析了自組織映射算法的局限性：靜態(tài)的結構以及無法展示數據的內在層次關系。 根據對大量時間序列數據進行探索性分析的要求，提出了一種基于增長型分層自組織映射的時間序列聚類算法。采用了一種基于上層神經元權向量的采樣賦值方法對子網絡神經元進行初始化，保留了數據的拓撲結構。 仿真與實驗結果證明，該聚類算法能夠滿足大量時間序列數據聚類分析的要求，能自動完