检索结果-内蒙古大学图书馆

作者：王立萍山东师范大学

学位级别：博士

数据挖掘是管理科学中的一类重要问题。由于大数据及数据规模的扩大,以及数据的结构特征越来越复杂,人工智能尤其是智能计算在数据挖掘中体现出越来越重要的作用。细胞计算及分子计算是智能计算模型中较为前沿的研究领域,其终极目标是... 详细信息

数据挖掘是管理科学中的一类重要问题。由于大数据及数据规模的扩大,以及数据的结构特征越来越复杂,人工智能尤其是智能计算在数据挖掘中体现出越来越重要的作用。细胞计算及分子计算是智能计算模型中较为前沿的研究领域,其终极目标是建立碳基计算机。目前代表性的计算模型有DNA计算和膜计算。膜计算是智能计算模型中细胞计算模型的年轻分支,启发于细胞结构和功能的协同工作,具有分布并行性、可解释性等优势。神经膜系统是受神经元及神经组织启发的一类神经型膜计算模型,是最前沿的膜计算模型,也是最具应用潜力的膜计算模型。在神经膜系统中,由脉冲神经元通信机制抽象出的脉冲神经膜系统(SNP系统)成为研究热点。时滞是一种常见的自然现象,是细胞中粒子运行的必然存在的现象,并因其对系统动态行为的影响而具有重要的研究价值。然而,已有的膜计算模型并没有反映时滞这个现象,无时滞模型是在时滞模型中时滞为零的一种简化和近似。时间序列数据是管理科学中一类重要的研究数据,它具有高维、趋势性、非平稳及连续性等特点。时间序列数据挖掘作为管理预测的研究热点,在现代社会的多个领域中起着至关重要的作用,如农业、金融、医学、商业及工业等。常见的时间序列挖掘任务包括时间序列聚类、分类及预测等。然而,现有的时间序列挖掘方法在获取序列关系、提取隐藏特征、处理非线性问题等方面仍然面临挑战,实现更准确的预测及决策成为一大难题。基于此,本文将时滞变量引入非线性神经膜系统(NSNP系统)中,提出一种新的非线性时滞神经膜计算模型(NDNMC模型),适于求解离散和连续性问题。NSNP系统可看作NDNMC模型的特例。NDNMC模型可以有效处理时间序列数据,反映时间序列数据之间的依赖关系,即某一时刻的数据可能受到过去某些时刻数据的影响。因此,本文集中于时间序列数据挖掘及其中的新型膜计算模型研究,主要包括以下几个方面。首先,本文提出NDNMC模型,并给出解释和模型分析。同时,在理论研究层面,提出三种具有不同运算的NDNMC模型,以更好地应对时间序列挖掘任务。第一种提出突触上带有延迟和权重的非线性时滞神经膜计算模型(NDNMC-DW),第二种提出带有能量请求规则的非线性时滞神经膜计算模型(NDNMC-ER),神经元中除进化计算规则和通信规则外,还有能量请求计算规则。第三种提出带有神经元渗透性的非线性时滞神经膜计算模型(NDNMC-NP),模型使用非线性的渗透性脉冲计算规则。其次,本文对三种运算的NDNMC模型进行计算可行性分析和计算完备性分析。在计算可行性方面,通过非确定性的运行方式或确定性的运行方式求解SAT问题和子集和问题来验证,并与其他膜计算模型的进行时间复杂度比较,以凸显所提模型的计算有效性。在计算完备性分析方面,通过模拟注册机验证模型的图灵完备性。在数字产生、接收和函数计算三方面,给出完整的计算能力证明,并与其他膜计算模型在资源使用数量上进行对比,进一步体现模型的计算能力。进一步地,为应对时间序列数据挖掘存在的挑战,本文将NDNMC模型应用于时间序列数据挖掘研究。基于三种不同运算的NDNMC模型进行时间序列挖掘任务并验证模型性能。第一,基于NDNMC-DW的时间序列分类任务,构建NNMC-TC模型。在时间序列数据集做分类实验,与其他模型进行对比,验证模型性能;并给出消融性分析。第二,基于NDNMC-ER的多元时间序列预测任务,构建NNMC-MTP模型。在多元时间序列预测数据集上实验,与其他模型进行实验结果对比,并给出消融性分析。第三,基于NDNMC-NP的时间序列聚类任务,构建NNMC-KGMM模型。在时间序列数据集做聚类实验,与其他方法对比并分析聚类效果。最后,本文对时间序列数据挖掘应用进行深入研究,给出基于NDNMC模型在现实场景数据中的时间序列预测应用和聚类应用。将NNMC-MTP模型分别应用于风电功率预测和商品销售预测,NNMC-KGMM应用于股票指数聚类,分别进行实验分析,得到相应的管理启示。本文研究了时间序列数据挖掘任务,并提出了新的膜计算模型。将模型应用于时间序列数据挖掘问题,通过引入新方法、新的计算模式分析时间序列数据是有意义的。这为时间序列数据挖掘提供新思路,也为神经膜计算模型应用提供有力证据。

关键词：膜计算脉冲神经膜系统非线性时滞神经膜计算模型时间序列数据挖掘

来源：评论

学校读者我要写书评

暂无评论

基于时间序列数据挖掘的辐照度预测方法研究

基于时间序列数据挖掘的辐照度预测方法研究

引用

作者：童俊龙东南大学

学位级别：硕士

太阳辐照度是影响太阳能利用的关键因素,它是一种典型的时间序列数据。在能源转型背景下,太阳辐照度时间序列的准确预测对太阳能应用和推广具有重要意义。本文从时间序列的角度出发,利用太阳辐照度及气象协变量,基于时间序列数据挖掘,... 详细信息

太阳辐照度是影响太阳能利用的关键因素,它是一种典型的时间序列数据。在能源转型背景下,太阳辐照度时间序列的准确预测对太阳能应用和推广具有重要意义。本文从时间序列的角度出发,利用太阳辐照度及气象协变量,基于时间序列数据挖掘,借助近年来迅速发展的深度学习技术,对太阳辐照度时间序列预测问题进行深入研究与分析。为了满足不同的需求,本文从点预测和概率预测两个方面对太阳辐照度预测任务进行了深入探讨,提出了有效的太阳辐照度预测方法,为准确预测太阳辐照度提供了有益的参考和借鉴。本文主要工作和创新可以总结为: (1)太阳辐照度时间序列和气象协变量时间序列的数据清洗和数据增强。针对气象传感器采集数据的质量挑战,例如数据冗余、数据异常和数据缺失等问题,本文基于时间序列表示、时间序列异常检测和时间序列缺失插补,对太阳辐照度时间序列和气象协变量时间序列进行数据清洗和数据增强,以提升下游预测任务中数据集的质量。 (2)太阳辐照度时间序列点预测。针对基于深度神经网络的时间序列点预测模型中存在的误差自相关现象,本文提出一种适用于不同神经网络模型的深度误差融合框架,用于缓解误差自相关现象,以提升模型的预测性能。本文还提出了一种新颖的Encoder-decoder模型,能够显著提升模型的感受野和记忆能力。最后,本文基于Encoder-decoder模型和深度误差融合框架进行辐照度点预测,在三个真实辐照度数据集上证明了该方案能够显著提升点预测性能。 (3)太阳辐照度时间序列概率预测。针对自回归概率建模过程中存在的误差累积问题,本文提出了一种生成式分层预测框架,以降低预测模型的累积误差。分层预测框架的第一层通过序列模型实现自回归概率预测,预测时间序列的时间点的概率分布;第二层基于生成模型提供序列级别的约束,实现对自回归过程的正则化。最后,本文将该方案应用于概率预测,在三个真实太阳辐照度数据集上的实验结果表明,该方案能够显著提升概率预测性能。

关键词：时间序列数据挖掘辐照度预测深度神经网络深度误差融合生成式模型分层预测

来源：评论

学校读者我要写书评

暂无评论

时间序列数据挖掘的相似性度量综述

引用

控制与决策 2017年第1期32卷 1-11页

作者：陈海燕刘晨晖孙博南京航空航天大学计算机科学与技术学院南京210016 南京航空航天大学软件新技术与产业化协同创新中心南京210016

在时间序列数据挖掘中,时间序列相似性是一个重要的概念.对于诸多算法而言,能否与一种合适的相似性度量方法结合应用,对其挖掘性能有着关键影响.然而,至今仍没有统一的度量相似性的方法.对此,首先综述了常用的相似性度量方法,分析了各... 详细信息

在时间序列数据挖掘中,时间序列相似性是一个重要的概念.对于诸多算法而言,能否与一种合适的相似性度量方法结合应用,对其挖掘性能有着关键影响.然而,至今仍没有统一的度量相似性的方法.对此,首先综述了常用的相似性度量方法,分析了各自的优点与不足;其次,讨论了近年来出现的时序相似性的新解释及其度量方法;再次,探讨了相似性度量在时序挖掘任务中的应用以及与挖掘精度的关系;最后给出了关于时序相似性度量进一步的研究方向.

关键词：时间序列数据挖掘时间序列相似性相似性度量挖掘精度

来源：评论

学校读者我要写书评

暂无评论

基于时间序列数据挖掘的地铁车门亚健康状态识别方法

引用

计算机应用 2018年第3期38卷 905-910页

作者：薛钰梅雪支有冉许志兴史翔南京工业大学电气工程与控制科学学院南京211816 南京康尼机电股份有限公司南京210013

针对地铁门在开关过程出现的一些亚健康状态难以识别情况,提出一种基于时间序列数据挖掘的地铁车门亚健康状态识别的方法。该方法首先通过多尺度滑动窗口的方法并结合拓展符号聚集近似(ESAX)字符化算法对车门电机的转角、转速和电流数... 详细信息

针对地铁门在开关过程出现的一些亚健康状态难以识别情况,提出一种基于时间序列数据挖掘的地铁车门亚健康状态识别的方法。该方法首先通过多尺度滑动窗口的方法并结合拓展符号聚集近似(ESAX)字符化算法对车门电机的转角、转速和电流数据进行字符化;然后计算其与车门正常运行状态下模板曲线之间的距离作为特征量,并使用主成分分析(PCA)法进行降维;最后结合基础特征利用分层模式识别模型对各类亚健康状态由粗到细逐层进行识别。以实测车门电机数据为例验证了所提方法的有效性。实验结果表明,该方法能够有效区分各类亚健康状态,识别率可达到99%。

关键词：时间序列数据挖掘地铁门电机数据模式识别主成分分析拓展符号聚集近似

来源：评论

学校读者我要写书评

暂无评论

基于时间序列数据挖掘的故障检测方法

引用

数据采集与处理 2016年第4期31卷 782-790页

作者：李海林郭崇慧杨丽彬华侨大学工商管理学院泉州362021 大连理工大学系统工程研究所大连116024

为了有效地检测发动机试车实验中性能参数发生的异常,提出一种基于时间序列数据挖掘的发动机故障检测方法。通过基于形态特征的时间序列特征表示方法,将发动机参数时间序列转化为符号序列,再根据符号语义对发动机参数序列实现稳态特征... 详细信息

为了有效地检测发动机试车实验中性能参数发生的异常,提出一种基于时间序列数据挖掘的发动机故障检测方法。通过基于形态特征的时间序列特征表示方法,将发动机参数时间序列转化为符号序列,再根据符号语义对发动机参数序列实现稳态特征和过渡态特征识别。同时,根据稳态序列的数据特征,利用基于统计特征的时间序列相似性度量结合最不相似模式发现方法实现发动机的故障检测。数值实验结果表明,与传统方法相比,本文方法能够有效地对发动机性能参数进行故障检测,并且具有较强的鲁棒性。

关键词：发动机参数故障检测异常模式时间序列数据挖掘

来源：评论

学校读者我要写书评

暂无评论

时间序列数据挖掘若干关键问题研究

时间序列数据挖掘若干关键问题研究

引用

作者：何晓旭中国科学技术大学

学位级别：博士

时间序列是一种广泛存在的数据,客观记录了所观测的系统在各个时刻点的具体值,所以可以通过研究时间序列数据来辨识和重构所观测系统的动力学行为。早期的研究方法是基于统计学知识的,主张在满足某种假设的前提下用解析函数来对时间序... 详细信息

时间序列是一种广泛存在的数据,客观记录了所观测的系统在各个时刻点的具体值,所以可以通过研究时间序列数据来辨识和重构所观测系统的动力学行为。早期的研究方法是基于统计学知识的,主张在满足某种假设的前提下用解析函数来对时间序列进行全局建模。但是时间序列往往都含有大量噪声和复杂结构,导致解析函数的建模变得非常困难。因此,需要一种研究方法能够充分利用时间序列数据发掘其背后隐含的规律和知识。在这种需求的促进下,基于数据挖掘技术的时间序列数据研究方法就应运而生了。数据挖掘是一个十分活跃和具有研究前景的领域,为时间序列分析提供了新思路和视野。由于所研究的真实系统或现象的内部往往受到多个因素的综合作用,从而导致作为其输出的时间序列具有许多复杂性的表现：维度高、海量性、结构复杂、存在噪声、存在相似性变形(不精确匹配)等等。这些固有的特性使时间序列数据挖掘研究充满了挑战。尽管国内外研究者在时间序列挖掘上已经取得了许多研究成果,但依然存在很多亟待解决的关键问题。本论文对时间序列数据挖掘技术中的近似表示方法、相似性度量方法和时间序列聚类等技术面临的关键问题进行了深入研究,其主要研究内容如下：第一,针对现有近似表示方法所面临的维度约简会丢失基本信息、算法参数需要精调的问题,本文提出了一种无参的符号化近似表示模型NSAR(Non-parametric Symbolic Approximate Representation)。针对以往近似表示在实现维度约简的同时会丢失基本信息的问题,NSAR主要采用符号化编码技术实现维度的极大约简,同时采用了提取多尺度离散小波近似系数和关键点来保留原始序列的基本特征信息。针对现有的绝大多数近似表示方法面临需要精调参数的难点,NSAR在设计时从三个方面实现了无参化：小波分解尺度log,n是由序列长度确定的；关键点提取在滤除噪声后的小波近似系数上进行,不用设置阈值筛选；对关键点序列进行符号化,自动决定出只需要2个符号来表示上升,下降趋势。实验结果表明, NSAR能够有效解决上述两个问题,可以实现维度极大约简的同时保留住原始时间序列的基本信息,并且是无参。第二,针对现有的相似性度量方法只能容忍一两种轻微的相似性变形,本文设计了一种基于形状信息的时间序列相似性度量方法SIMshape(SIMilarity measure based shape information)。不同于现有的相似性度量方法在相似性比较时不加区别的对待序列所有信息,SIMshape在相似性判断时更侧重序列基本形状的对比,弱化细节信息的影响,以充分考虑相似性变形只会影响细节信息,不会改变序列基本形状的特性。SIMshape的实现是在序列的多尺度形状信息上进行,同时设计了尺度权值函数赋予较粗尺度大权值,较细尺度上小权值来进一步减弱相似性变形对相似性判断的干扰。实验结果表明SIMshape可以容忍更多的相似性变形。第三,针对现有的时间序列聚类过程中缺乏自发性、聚类质量较差的问题,本文提出了一种基于全局结构特征和核力场的时间序列聚类。针对现有的聚类方法需要人为指定阈值完成对聚类对象,缺乏自发性的问题,新的聚类方法选取了核力为聚类的一种新标准,利用物理粒子相互作用的核力,来产生自发的相向运动反映数据对象之间的天然聚散关系,从而可以依据数据对象间的自组织聚集特性找出类结构,减少了聚类过程中的人为因素。针对现有的时间序列聚类质量较差的问题,新的聚类方法利用信息熵的方法找出有助于呈现聚类结构的全局特征,从而使得后续的算法更容易发现真实的类簇。相关实验结果表明提出的时间聚类方法可以自发的找出数据的真实聚类,并且可以容忍一定程度的时间序列不等长,不易受到噪声和缺失点的影响。本文从三个方面进行研究来提高时间序列数据挖掘的性能,即：通过建立非参数符号化近似表示模型NSAR来减少基本信息丢失和实现无参化设计；通过建立形状相似性度量SIMshape来提高相似性度量方法对相似性变形的容忍力：根据全局特征和基于核力场的动态聚类来实现时间序列自发的聚类。实验结果表明,本文提出的方法在时间序列数据挖掘上具有更好的相似性检索性能,可有效降低时间序列最近邻分类误差率,又能自发的找出真实的时间序列聚类。

关键词：时间序列数据挖掘近似表示相似性度量方法最近邻分类聚类

来源：评论

学校读者我要写书评

暂无评论

基于时间序列数据挖掘的生物氧化提金工艺参数优化

基于时间序列数据挖掘的生物氧化提金工艺参数优化

引用

作者：陈飞新疆大学

学位级别：硕士

生物氧化预处理工艺是解决含砷、硫难处理金矿提金问题的主要方法。但工艺过程受电化学、生物学、物理学和多相混合流体力学等多方面影响，反应极其复杂，通过传统建模方法进行优化研究难度很大，而且大量的工艺过程数据被闲置一旁使隐... 详细信息

生物氧化预处理工艺是解决含砷、硫难处理金矿提金问题的主要方法。但工艺过程受电化学、生物学、物理学和多相混合流体力学等多方面影响，反应极其复杂，通过传统建模方法进行优化研究难度很大，而且大量的工艺过程数据被闲置一旁使隐含的有价信息没有被充分利用，造成了资源的极大浪费。针对上述问题，本文从生物氧化预处理-氰化提金工艺分析出发，深入研究各工艺参数影响作用效果；采用时间序列数据挖掘方法对工艺参数时序数据进行表示，并对ORP关键影响因素与ORP的关联关系进行挖掘；通过智能集成建模方法和挖掘到的关联规则建立ORP趋势预估模型。针对预估模型预估精度低、参数选择粗糙问题，本文引入细菌觅食优化算法(Bacteria Foraging OptimizationAlgorithm, BFOA)对预估模型结构参数进行实时在线优化，优化结果极大地提高了预估模型精度。通过对优化后的预估模型极大值区域的求解得到了工艺参数的最优范围，并依据工艺操作经验验证了结果的正确性和可行性。通过以上研究，本文有效解决了生物氧化预处理-氰化提金工艺参数优化问题，在一定程度上为现场工艺操作提供了数据支撑，为相同领域的优化问题提供了方法依据。

关键词：生物氧化提金工艺时间序列数据挖掘关联规则细菌觅食优化算法

来源：评论

学校读者我要写书评

暂无评论

通信基站关键指标数据异常检测与趋势预测的研究

引用

计算机科学与应用 2024年第3期14卷 20-30页

作者：窦钰哲甘俊西藏大学信息科学技术学院西藏拉萨

本文主要研究了智能运维中的异常检测与趋势预测的问题。采用高斯滤波器、归一化处理等方法,完成了对数据的预处理;利用Hampel滤波函数获取异常值,通过快速傅里叶变换计算异常周期,最后使用数据训练模型和决策树分类器,建立基于BP神经... 详细信息

本文主要研究了智能运维中的异常检测与趋势预测的问题。采用高斯滤波器、归一化处理等方法,完成了对数据的预处理;利用Hampel滤波函数获取异常值,通过快速傅里叶变换计算异常周期,最后使用数据训练模型和决策树分类器,建立基于BP神经网络的滚动预测模型,实现时间序列中的异常预测和趋势预测。

关键词：时间序列数据挖掘通信基站 BP神经网络 Hampel滤波决策树分类器

来源：评论

学校读者我要写书评

暂无评论

基于时间序列表征的检索与分类研究

基于时间序列表征的检索与分类研究

引用

作者：罗伟山东大学

学位级别：博士

时间序列是一种与时间相关的大数据,同时具有“时序累积”的特征,因此也被称为时间序列流数据。随着数据挖掘研究的不断深入,如何对时序规律和潜在知识进行高效挖掘已成为当前学术界和工业界普遍关注的时间序列数据挖掘研究热点问题。... 详细信息

时间序列是一种与时间相关的大数据,同时具有“时序累积”的特征,因此也被称为时间序列流数据。随着数据挖掘研究的不断深入,如何对时序规律和潜在知识进行高效挖掘已成为当前学术界和工业界普遍关注的时间序列数据挖掘研究热点问题。本论文针对时间序列数据挖掘研究中的三个研究任务:时间序列表征,时间序列检索,时间序列分类进行相关研究,并取得以下三个研究成果:(1)本文提出一种面向时间序列流数据的多样性时序表征方法。该方法能够在时间序列流数据高效时序分割的基础上,实现高效的时间序列多样性表征。通过对比实验结果分析,本方法不仅具有较高的表征效率,而且能够对多个时间序列数据挖掘任务(可视化、聚类)提供有效的数据支持。(2)本文提出一种基于时间序列多分辨率表征的高效检索方法。该方法不仅能够基于多分辨率表征对给定时间序列进行有效表征,而且能够利用索引剪枝策略对与模式序列不相似的候选序列进行有效过滤,从而提升了检索效率。此外,该方法所建立的自适应剪枝策略满足下界定理的约束,因此能够确保对目标序列的无遗漏检索,从而实现高质量的时间序列检索。(3)本文提出基于时序表征学习的分类方法。该方法能够基于时序趋势点有效获取具有代表性的shapelet序列集合,并利用改进后的记忆网络模型实现时序特征的综合表征,从而有效提升时间序列分类性能,同时实现分类结果的可解释性。

关键词：时间序列数据挖掘时间序列表征时间序列检索时间序列分类

来源：评论

学校读者我要写书评

暂无评论

社交媒介情境中预测公众情感强度峰值的新方法及其检验 ——以反转新闻事件的突变点识别为突破口

社交媒介情境中预测公众情感强度峰值的新方法及其检验 ——以反...

引用

作者：翁琛莹厦门大学

学位级别：硕士

以往社交媒体情境下公共舆论(Public Opinion)的情感演化研究,大多数针对用户生成内容进行整体性的情感演化分析,忽略了用户前后时段的情感变化这一情感背景,并且对数据突然变化的时间节点缺乏探索。虽然已有研究初步发现,在情感演化的... 详细信息

以往社交媒体情境下公共舆论(Public Opinion)的情感演化研究,大多数针对用户生成内容进行整体性的情感演化分析,忽略了用户前后时段的情感变化这一情感背景,并且对数据突然变化的时间节点缺乏探索。虽然已有研究初步发现,在情感演化的峰值(Peak Point)发生之前,存在一些数据突然变化的离群点,但对于这一类时间节点的定义和识别均缺乏探索。并且,基于情感演化的离群点进行事件检测的研究,对于反转新闻事件考察不足。峰值点是以往情感演化研究所关注的传统指标。本研究首先提出突变点这一新指标,界定为情感强度发生突然变化、超过一定阈值的时间点。其次提出一种新方法,识别了情感强度的突变点、峰值点和情感演化的规律,发现了峰值点相对于突变点的时滞,并比较了二者在文本相似度、转发关系网络、话题(Hashtags)的一致性。初步证明突变点的确先于情感峰值点出现,因而可以认为突变点是预测情感强度峰值点的一种新指标。最后,基于情感强度的事件检测(Event Detection),识别了最受公众关注的、促使其表达强烈情感的事件。本研究发现,在新闻事实发生反转后不久,通过识别公众情感波动较大的时刻,在一定程度上可以提前1～2小时预见到最强烈的公众情感表达时刻和热议事件。研究还发现,反转新闻事件并不必然意味着公众表达中情感极性的反转,这为反转新闻与舆情反转二者概念边界的厘清提供了依据。本研究还发现,在个体层面,与用户意见相反的话题,更容易激发该用户的转发和强烈情感的表达。本研究亦讨论了这一新方法、新指标对舆情分析的应用意义、未来发展方向以及本研究的局限性。

关键词：情感演化时间序列数据挖掘事件检测突变点

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：