基于FastICA和G-G聚类的多元时序自适应分段OACSTPCD
Adaptive Segmentation of Multivariate Time Series with FastICA and G-G Clustering
现有多元时间序列的分段方法主要通过检测时序数据统计特性或形状的变化情况,并以此为依据对分段点的位置进行"硬划分".然而,这些分段方法无法对两个分段之间的过渡区间长度进行准确估计,且普遍需要人为预先设置参数,在高维且噪声较强的情况下分段效果较差.本文针对现有分段方法存在的诸多不足,提出一种基于FastICA(Fast Independent Component Analysis)和G-G(Gath-Geva)模糊聚类的多元时序自适应分段方法.该方法利用FastICA进行特征提取,采用DW(Durbin-Watson)指数自动选取高信噪比的主成分,并根据最小描述长度(Minimum Description Length,MDL)设计基于G-G模糊聚类的自适应分段模型,实现对于多元时间序列的"软划分".基于多种领域的真实数据集实验结果表明:与现有主流的分段方法相比,本文方法在上述数据集上的平均F1和MAE(Mean Abso-lute Error)可分别提升8.4%～16.8%和3.06%～6.56%.
王玲;李泽中
北京科技大学自动化学院,北京100083||北京科技大学自动化学院工业过程知识自动化教育部重点实验室,北京100083北京科技大学自动化学院,北京100083||北京科技大学自动化学院工业过程知识自动化教育部重点实验室,北京100083
计算机与自动化
多元时间序列自适应分段快速独立主成分分析Gath-Geva聚类最小描述长度
multivariate time seriesadaptive segmentationfast independent component analysisGath-Geva clus-teringminimum description length
《电子学报》 2023 (5)
基于增量学习的演化模糊系统的解释性问题研究
1235-1244,10
国家自然科学基金(No.62076025,No.61572073) National Natural Science Foundation of China(No.62076025,No.61572073)
评论