论文部分内容阅读
时间序列分类问题作为时间序列数据挖掘技术中的研究热点之一,其应用遍及各行各业。对海量的时间序列数据分类,获取有用的信息与知识,可以用于指导生活实践,快速解决实际问题。然而时间序列数据的特点具有高维性及随着时间的变化而变化,它的产生过程极易受到环境因素的影响,并存在一定的噪声。针对此类复杂数据,研究如何从中获取有效的信息和知识,是对科学研究及社会生产事件具有重要的理论研究价值及现实意义。马田系统（Mahalanobis-Taguchi System,MTS）是一种面向多元数据的分类、诊断和预测的定量模式识别方法。MTS有着诸多优点,如:MTS是基于数据的分析方法并可以实现真正意义上的降维,简化分类问题,并提高分类的精度和效率;MTS构建了一个连续的测量尺度,计算的是测试样本偏离基准空间的程度,这样有利于采取相对应的解决措施,提高解决问题的柔性。但作为一种新兴的方法,MTS在理论和应用上仍存在一些不足之处。本文面向时间序列数据,针对传统MTS存在的问题,采用多重马氏距离法、改进质量损失函数、多叉树理论等方法对其进行改进,目标是发展MTS成为一种适用于时间序列数据分类的高效方法。由于时间序列自身的高维特性,在实际应用中,通常需要对时间序列进行局部特征提取或全局特征分解,以降低原时间序列数据的维度,不同的时间序列数据类型,特征提取的方式是不同的。因此,本文从不同的时间序列类型出发,开展对时间序列特征提取的讨论,进而执行分类器的分类。本文的研究工作主要包括以下几方面的内容:（1）MTS算法优化研究MTS在面向时间序列数据分类时,通常会出现特征数目庞大、数据海量及类别种类较多的问题,针对传统MTS特征变量个数受限的不足,引入特征子集的概念及新的测量尺度——多重马氏距离（Multiple Mahalanobis Distance,MMD）来改进MTS。同时,在大数据背景下,选用训练数据时的错误率重新定义了质量损失函数中的损失值,使得损失不再主观定义,从而通过改进系统阈值,提高算法的识别精度。再借助于多分类规则（Multiple classification rule,MCR）及多叉树（Multi branched tree,MT）理论,拓宽MTS在多分类领域的应用。研究表明:传统MTS经过上述方法改进之后,其分类性能及应用广度得到了提高。（2）面向具有典型特征的时间序列数据的MTS分类方法及其应用研究以具有典型特征的时间序列数据分类为研究背景,展开特征提取及MTS分类研究的讨论。首先,考虑其具有的典型特征,构建了可以刻画其特征的时间序列混合模型。通过周期图、最小二乘法、阶跃判别及统计量,对混合模型的参数进行了估计,从而刻画了原有时间序列的典型特征。其次,将时间序列提取的典型特征与阈值改进后的MCRMTS算法相融合,利用MCR-MTS在特征优化及多分类方面的优势,实现对时间序列的快速高效分类。最后,为了验证混合模型特征提取融合MCR-MTS算法的分类能力和效果,采用了UCI数据库的控制图数据集进行了实验,并将其与其他常用分类方法进行比较分析。结果表明,基于时间序列混合模型及MCR-MTS算法能有效表征具有典型特征的时间序列,简化分类系统,识别精度高,是一种更为有效的面向典型特征时间序列的分类方法。（3）面向信号类的时间序列数据的MTS分类方法及其应用研究以信号类的时间序列数据分类为研究背景,展开特征提取及MTS分类研究的讨论。首先,通过变分模态分解,将信号数据分解为多个模态分量,提取各分量中的多个信号特征。此时对于每条原始振动信号而言,特征数目是庞大的,同时,信号类的时间序列分类问题通常为多分类问题。因此,通过引入MMD-MT-MTS算法,以解决特征数目庞大和多类别的问题,且利用MTS正交表和信噪比在优化系统时的优势,挑选出各类别中有利于分类的敏感模态分量,从而真正实现变分模态分解与MTS分类器的统一结合。最后,为了验证信号分解特征提取融合MMD-MT-MTS算法的分类能力和效果,采用美国凯斯西储大学电气工程实验室的滚动轴承故障模拟实验台采集的轴承数据进行了实验,再与其它文献中的算法诊断结果进行对比研究。研究表明:基于变分模态分解融合MMD-MT-MTS算法能有效提取信号类的时间序列特征,分类性能和降维效果更优,是一种更为有效的面向信号类的时间序列的分类算法。（4）面向一般性的时间序列数据的MTS分类方法及其应用研究以一般性的时间序列数据分类为研究背景,展开特征提取及MTS分类研究的讨论。首先,通过对时间序列等长分段,将时间序列分解为多个子序列,提取子序列中的多个时域特征。此时对于每条原始时间序列而言,特征数目随着分段数的增长而成倍数增长。因此,针对一般性的时间序列在特征提取上没有上述研究提取的精准,为了提高分类精度,通过引入MMD-MCR-MTS算法,以解决特征数目庞大和多类别的问题,且利用MTS正交表和信噪比在优化系统时的优势,挑选出原始序列中具有辨别性的子序列。最后,为了验证分段特征提取结合MMD-MCR-MTS算法的分类能力和效果,采用加州大学里弗赛德分校提供的时间序列数据集进行了实验,再与其它文献中的算法诊断结果进行对比分析。研究表明:基于分段特征提取结合MMD-MCR-MTS算法能有效提取一般性的时间序列特征,可以寻找到具有辨别性的子序列且分类性能更优,是一种更为有效的面向一般性时间序列的分类算法,具有良好的实际应用价值。综上所述,本文以时间序列分类问题为研究对象,针对MTS的不足,以MTS改进为主线,以多重马氏距离法、多叉树算法及各种类型时间序列不同的特征提取方法为主要手段,目标是发展MTS使其成为一种实用高效的、适合于时间序列分类的方法,并应用于现实问题的研究中。