基于高斯過程的時間序列分類.pdf

1、時間序列數據大量存在于生活中的各個方面,對于時間序列數據特性的挖掘研究,具有重要的科學理論意義和工程應用價值。本文針對時間序列數據以及時序數據的異常檢測問題進行了相關研究,引入了半監(jiān)督學習和單類分類思想,結合高斯過程機器學習方法,構建了半監(jiān)督高斯過程時間序列分類和單類高斯過程時間序列異常檢測模型,應用于時序數據集的挖掘中,并通過實驗進行了驗證。
　　首先,在傳統(tǒng)的高斯過程分類模型的基礎上,提出了一種半監(jiān)督高斯過程時間序列分類算法(

2、SGPTC)。本文分析了時間序列數據的特性,進行了時間序列相似性特征度量,然后算法利用標記數據樣本和未標記數據樣本構造半監(jiān)督訓練集,同時對分類訓練置信度的值進行了選擇判斷,將得到的訓練集用于半監(jiān)督分類器的構造,直到獲得最優(yōu)的SGPTC分類模型。最后在仿真數據集和UCI時序數據集上驗證了算法的有效性。
　　其次,針對特殊應用領域中異常樣本難以獲取的問題,結合單類分類思想,提出了一種基于單類高斯過程的時間序列異常檢測算法(OCC_GP

3、)。該算法結合高斯過程先驗和回歸理論,選取 RBF作為核函數,通過對目標類時序數據的特性分析構造特征向量集,指導單類分類器的構造。在仿真數據集和TE工業(yè)過程時序數據集上驗證了OCC_GP算法適用性及其在異常檢測應用中的有效性。
　　最后,結合時序數據和高斯過程特性,本文設計實現了基于時間序列特性的半監(jiān)督高斯分類與時序異常檢測原型系統(tǒng),該系統(tǒng)不但證明了SGPTC分類模型和 OCC_GP異常檢測算法的可行性,而且還設計實現了相應的對比