论文部分内容阅读
传统灰关联度量对于长度不同的序列采用删除较长序列数据、均值、GM(1,1)模型预测等方法进行补齐,导致不确定性信息增加,造成不必要的信息损失。将动态时间弯曲思想引入灰关联度量中,提出一种自适应序列长度的灰关联度。该方法无需补齐序列数据,利用序列间距离矩阵的最短路径作为相似判定依据。在此基础上,进一步构建了相应的灰关联度量方法,有效解决了序列数据长度不一致问题。为了证明方法的有效性,将其应用于分类算法设计中,取得了较为优异的测试结果。