面向相似性的時(shí)間序列聚類方法研究.pdf

1、時(shí)間序列作為一種重要的數(shù)據(jù)形式，廣泛存在于社會(huì)生產(chǎn)的各個(gè)領(lǐng)域，形成規(guī)模龐大的時(shí)間序列數(shù)據(jù)庫，真實(shí)地記錄了應(yīng)用系統(tǒng)在各個(gè)時(shí)刻的重要信息。為了充分利用這些歷史時(shí)間序列數(shù)據(jù)，從大型數(shù)據(jù)庫中尋找隱藏的知識(shí)，本學(xué)位論文對(duì)面向相似性的時(shí)間序列聚類方法進(jìn)行了細(xì)致的研究。 由于時(shí)間序列數(shù)據(jù)通常具有數(shù)值范圍非有窮甚至離散、采樣速度不恒定、干擾噪聲形式多樣等問題，因此尋求某種高效的數(shù)據(jù)聚類算法是解決時(shí)間序列數(shù)據(jù)挖掘問題的關(guān)鍵。本文分析比較了現(xiàn)有的基

2、于K-均值、模糊C-均值、動(dòng)態(tài)時(shí)間規(guī)整及自組織映射網(wǎng)絡(luò)的聚類算法，并通過實(shí)驗(yàn)重點(diǎn)分析了自組織映射算法的局限性：靜態(tài)的結(jié)構(gòu)以及無法展示數(shù)據(jù)的內(nèi)在層次關(guān)系。 根據(jù)對(duì)大量時(shí)間序列數(shù)據(jù)進(jìn)行探索性分析的要求，提出了一種基于增長型分層自組織映射的時(shí)間序列聚類算法。采用了一種基于上層神經(jīng)元權(quán)向量的采樣賦值方法對(duì)子網(wǎng)絡(luò)神經(jīng)元進(jìn)行初始化，保留了數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)。 仿真與實(shí)驗(yàn)結(jié)果證明，該聚類算法能夠滿足大量時(shí)間序列數(shù)據(jù)聚類分析的要求，能自動(dòng)完