RSS時(shí)間序列相似性度量及應(yīng)用研究.pdf

1、當(dāng)前，如何有效挖掘RSS數(shù)據(jù)潛在的信息和知識(shí)，吸引了大量科學(xué)研究工作者的關(guān)注。但是，目前RSS時(shí)間序列相似性度量的分析方法普遍基于歐氏距離，而歐式距離不能捕獲序列在時(shí)間軸上的偏移。因此，針對(duì)RSS時(shí)間序列相似性度量方法的不足，本文開展相關(guān)的研究工作。
　　首先，分析了傳統(tǒng)相似性度量方法的局限性，提出了用動(dòng)態(tài)時(shí)間規(guī)整算法解決時(shí)間軸異步的RSS時(shí)間序列相似性問題。為減小計(jì)算復(fù)雜度，在序列特征提取和譜聚類算法的基礎(chǔ)上，進(jìn)一步提出了改進(jìn)的

2、兩步算法:首先提取序列特征，用譜聚類算法粗粒度聚類具有相似運(yùn)動(dòng)軌跡的RSS時(shí)間序列，然后在聚類后的每一簇里用動(dòng)態(tài)時(shí)間規(guī)整算法細(xì)粒度檢測(cè)RSS時(shí)間序列的相似性。此外，根據(jù)聚類有效性指數(shù)解決最佳聚類簇?cái)?shù)問題。實(shí)驗(yàn)證明，利用該方法更能有效地解決RSS時(shí)間序列相似性度量問題。
　　其次，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的時(shí)空不變性，且能夠?qū)W習(xí)得到低維空間的非線性數(shù)據(jù)映射的優(yōu)點(diǎn)，將傳統(tǒng)相似性度量中的特征提取和距離度量學(xué)習(xí)這兩個(gè)步驟融合在一個(gè)框架里，提出了基