基于小波变换的时间序列挖掘研究

《基于小波变换的时间序列挖掘研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、天津大学硕士学位论文基于小波变换的时间序列挖掘研究姓名：田政雄申请学位级别：硕士专业：管理科学与工程指导教师：寇纪淞20080501摘要时间序列是按时间顺序排列的，随时间变化且相互关联的数据序列，在金融、科学观测和工程等各个领域都广泛存在。如何有效的管理和利用这些数据，发现这些数据背后隐含的规律和知识，是人们广泛关注，具有重要意义的理论和实际应用课题。数据挖掘的方法主要有统计方法、机器学习方法、神经网络方法和数据库方法。本文主要研究了小波变换应用到时间序列挖掘中的方法，包括小波变换在时间序列属性

2、约简，时间序列相似性匹配，时间序列奇异点检测中的应用，根据小波变换的多分辨性提出了基于小波变换的聚类算法，重点研究了时间序列挖掘中的多层次相似性匹配和多层次频繁模式挖掘问题。主要研究成果如下：1．小波变换改进传统聚类算法针对传统聚类算法如k．Means算法中初始聚类中心是随机选择的，不太合理的问题，提出了基于小波分析的时间序列聚类算法W．kMeans算法，一算出时间序列的Ham"分解系数，就在这些系数上运用k．Means聚类算法，从第二个层次开始，再渐渐的进行到更高的层次上。2．时间序列的多尺度

3、相似性模式匹配改进了现有的时间序列多尺度相似匹配算法，现有算法中序列的片段相似标准仅仅考虑了两个片段的倾角而没有考虑长度，本文结合时间序列的KL相似性度量提出了一种更好更合理的多尺度时间序列相似模式匹配算法。并根据小波变换的多尺度性提出一种更有效，更合理的方法来解决时间轴伸缩问题，进行更长时间的模式匹配。3．时间序列的多尺度频繁模式挖掘时间序列本身有长期和短期之分，挖掘时间序列的多尺度模式有着重要的现实意义，本文首次提出了多尺度频繁模式挖掘的概念，并根据小波变换的多分辨性，提出了基于小波变换的时

4、间序列多尺度频繁模式挖掘算法，本算法首先对原序列进行小波变换，然后在变换后的序列上挖掘频繁模式，并结合了基于重要点分段方法和互关联后继树方法，能挖掘出不同尺度的频繁模式。关键词：数据挖掘，时间序列，小波变换，频繁模式，互关联后继树ABSTRACTAtimeseriesisadatasequenceofobservationswhichareorderedintime，whichexistsinvariousfields，suchasfmance，scienceobservingandengine

5、ering，etc．Howtomanageandusethesetimeseriesdataefficientlyisanimportantandchallengingsubject．Atpresent，mainmethodsofdataminingresearchinclduestatisticalmethods，machinelearning，neuralnetworkanddatabasemethods．Inthisthesiswavelettransformappliedtothetim

6、eseriesminingistobestudied，whichincludeswavelet乜．ansf．onninthetimeseriesattributereduction，timeseriessimilaritymatching，outlierdetectionintimeseries．Byusingthemultiresolutionpropertyofwavelettransform，anapproachtoperformincrementalclusteringoftimeser

7、iesatvariousresolutions1Spresented，andthen,theissuesofmulti—leveltimeseriessimilaritysearchtechniqueandmulti．1eveldiscoveryofthefrequentpatternsbasedonwavelettransformationsareproposed．Themainworksandcontributionsofthisthesisare：(1)Improvethetraditio

8、nalclusteringalgorithmusingwavelettransformInordertomitigatetheproblemassociatedwiththechoiceofinitialcentersoftraditionalclusteringalgorithm(suchask-means)，W-kMeansalgotithmisproposed·OncewecomputetheHaardecomposition,weperformthek—meansclusteringal