【文件属性】：
文件名称：论文的主要工作-redboot中文手册
文件大小：752KB
文件格式：PDF
更新时间：2021-06-08 17:05:38
多变量
1.4 论文的主要工作
本文的研究工作包括两部分内容：第一部分是 MTS 的异常识别研究，本文从三个
不同角度：例外模式的识别、异常样本的识别以及不和谐（不寻常）子序列的识别，
对 MTS 的异常识别进行了研究；第二部分是 MTS 的分类研究，针对 MTS 分类，本文
提出了两类 MTS 特征提取方法，一类是基于二维奇异值分解[153](Two Dimensional
Singular Value Decomposition, 以下简称 2dSVD)的 MTS 特征提取方法，另一类是基于
局部保持映射
[204, 205](Locality Preserving Projection, 以下简称 LPP)的特征提取方法。
针对上述研究内容，本文取得了如下创新成果：
1) 提出了一种基于扩展 Frobenius 范数以及 K-均值聚类的 MTS 例外模式的识别
方法。由于 MTS 含有多个变量，变量之间存在着复杂的相互依赖关系，很难直接将现
有的单变量时间序列例外模式的识别方法
[10]
推广到多变量时间序列。本文提出了一种
基于扩展 Frobenius 范数以及 K-均值聚类的 MTS 例外模式的识别方法，该方法使用扩
展 Frobenius 范数计算两个 MTS 子序列之间的距离，使用成本函数（基于重构误差的
成本函数或基于 Hotelling T2 度量的成本函数）描述 MTS 子序列内部的同质性，采用
自底向上的分割算法将 MTS 分割成互不重叠的子序列，用 K-均值聚类对这些 MTS 子
序列进行聚类，得到一个模式集合，根据例外模式的定义，从模式集合中的识别出例
外模式。将该方法与李爱国
[10]
提出的单变量时间序列例外模式的识别方法进行了比较，
指出了这两种方法在成本函数的选取、“ 优”分段个数的确定、类中心的选取以及“
优”聚类个数的确定等四个方面存在的不同之处。在两个实际数据集上的实验结果显
示，本文提出的方法可以有效地识别 MTS 中的例外模式。
2) 提出了一种基于 Solving Set (参见文献[147]) 的 MTS 异常样本的识别方法。在
由 MTS 样本组成的数据集中，与其它 MTS 样本显著不同的样本，称之为异常样本。
针对现有的单变量时间序列异常样本的识别方法很难推广到多变量时间序列这一事
实，本文提出了一种基于 Solving Set 的 MTS 异常样本的识别方法。该方法使用扩展
Frobenius 范数计算两个 MTS 样本之间的距离，将 MTS 样本与它的 k-近邻样本之间的
距离之和作为该样本的异常得分，通过构造 Solving Set，将时间复杂度降低到了亚平
方。与 Karioti 等[46]提出的单变量时间序列异常样本的识别方法相比，该方法具有以下