论文部分内容阅读
集成学习是分类多变量时间序列的有效方法。然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大。为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法。首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器的权重。Shapelets是时间序列的子序列,不同变量Shapelets间不存在依赖关系,且单个Shapelets分类准确度较高,能得到"好而不同"的基分类器。然后,提出一种加权概率指派