论文部分内容阅读
时间序列数据是一类重要的复杂数据对象,广泛存在于自然现象和社会经济等领域中,应用数据挖掘技术分析时间序列数据是一项具有现实意义的工作,数据挖掘技术应用于时间序列数据库能够发现时间序列中所蕴涵的知识。数据挖掘技术在时间序列中的主要应用有预测、分类、聚类、相似性搜索和模式发现等方面。本文进一步从时变数据挖掘角度分析动力学系统产生的时间序列,探讨时间序列的表示、相似性定义以及时间序列分类、预测和动力学发现。
最近在非线性系统的自适应神经网络控制理论的基础上,通过研究径向基函数网络的局部学习能力和对部分持续激励条件的满足,动态系统的确定学习理论和动态模式识别理论得以发展。按照这种理论,一类设计合理的RBF神经网络可以表示动态模式,并定义动态模式的相似性,在动态模式表示和相似性定义基础上可以实现快速动态模式识别。这为动力学系统产生的时间序列数据挖掘提供了基本的理论基础。
本文根据时变挖掘角度从“时间序列数据表示、相似性定义、挖掘操作”三个方面依次展开。在确定学习理论基础上,提出了动力学系统产生的时间序列的表示模型,这种基于确定学习的表示方法,不但可以准确合理的表示时间序列,还可以学习时间序列动力学,克服了基于频域变换表达的离散傅罩叶变换和离散小波变换方法、分段线性化方法、离散方法表示这种时间序列的不足。同时文中提出了基于距离度量的时间序列相似性定义。
在时间序列相似性研究基础上,对时间序列的分类进行了介绍,构建了时间序列分类识别系统。随后,根据从时间序列以相等采样时间间隔采样得到的时间序列数据,利用确定学习理论和龙格一库塔法,进一步分析了时间序列预测和动力学发现。
最后在总结全文工作的基础上,说明了今后需要继续研究的工作。