时间序列信号多尺度FCM聚类方法

目的：探讨基因海量时间序列信号的归类方法。方法：将小波多尺度分析引入,在多个尺度上进行聚类,并结合FCM得到新的聚类算法。结果：应用新的聚类方法,对小脑组织的一组基因芯片时间序列信号进行分析,通过分类结果对照发现,各类中的大多数基因生物学意义接近。结论：此改进的聚类方法是有效的,是一种新的思路。     

基于小波分解和聚类模糊系统的时间序列预测

结合小波分析的多分辨特性和模糊规则的可解释性，提出了一种非平稳时间序列预测方法。首先将时间序列信号分解为各尺度上的细节信号和平滑信号，使用软、硬阈值折衷法消除噪声，并对各层重构信号单独使用聚类模糊系统进行预测，最后将各预测结果累加得到对整个时间序列的预测。仿真试验表明此方法是有效的。     

基于小波滤波的时间序列子序列聚类

针对时间序列子序列聚类存在的平凡相似和水平伸缩等问题,提出了一种新的子序列聚类算法。它采用多孔平滑滤波器组对时间序列进行低通平滑处理,在所得到的多个尺度序列上生成平凡簇,然后将各个平凡簇的代表子序列作为数据样本进行聚类。新方法利用平凡簇克服了子序列聚类中的平凡相似问题,并且可以在时间序列上发现不等长的相似子序列,较好地解决了水平轴伸缩问题。实验结果证明新算法对于子序列聚类具有比较好的效果。     

改进的多元时间序列符号化表示方法研究

符号化表示技术,可以有效降低时间序列的维度,是实现海量时间序列数据挖掘的基础.聚类结果的精度是运用聚类方法对多元时间序列进行符号化表示的关键.运用共同马氏距离虽然可以实现多元时间序列的符号化表示,但忽略了不同类样本数量对聚类结果的影响,从而降低了符号化表示的有效性.针对上述问题,提出一种改进共同马氏距离的多元时间序列符号化表示方法,通过改进共同协方差矩阵的计算方法,优化了聚类结果,从而提高了符号化表示的有效性.仿真结果表明,改进后的方法可以更加有效地对多元时间序列进行符号化表示.     

基于加权向量提升的多尺度聚类挖掘算法

多尺度聚类挖掘在指导人们进行多尺度决策方面有着不可取代的作用,然而传统的多尺度聚类挖掘算法有一个致命的弱点,即需要在每个用户感兴趣的尺度上应用聚类挖掘算法.为克服此缺陷,定义了一种将数据的多尺度特性进行向量化的方法;结合地学领域的尺度转换机制,提出了一种新的知识的多尺度转换机制——基于加权向量提升的多尺度聚类挖掘算法WVB-MSCA(Weight Vector Based Multi-scale Clustering Algorithm).算法首先在选定的基准尺度上进行聚类挖掘,获取聚类结果,并借助尺度转换机制将基准尺度的聚类结果反演到其它感兴趣的尺度上.实验表明,算法WVB-MSCA是可行且有效的.     

基于主元的多元时间序列聚类分析方法研究

为提高多元时间序列聚类算法的效率,采用基于主元分析的多元时间序列聚类方法,将原始多元时间序列元素划分成一系列互不相关的簇,根据各簇的代表元素和剩余元素的主元素之间的扩展欧几里德范数对多元时间序列进行聚类分析.理论分析和实验结果表明该算法聚类质量结果和运行时间明显优于直接利用K-means法时的聚类结果.     

基于小波多尺度的网络论坛话题热度趋势预测

文中基于小波多尺度分析进行网络论坛话题热度趋势的预报.该方法主要是对由帖子的点击数(或回复数)所形成的原始时间序列进行小波分解与重构,得到一个低频信号和多个不同尺度的高频信号;对具有近似平稳特征的低频信号建立ARIMA预测模型;对变化较多的各高频信号分别建立神经网络预测模型;然后分别对各信号进行一步预测并组合预测结果,获得网络论坛话题热度的最终预测.实验表明:将本方法用于网络论坛话题的热度趋势预测,可得出良好的预测精度.     

最大子空间共调控基因聚类

提出了一种编码方案,同时聚类正共调控基因和负共调控基因.基于这种编码方式,两个正共调控或负共调控的基因都具有相同的编码,因此被聚集到同一个共调控基因类中.进一步提出了一个基于这种编码方案进行最大子空间共调控基因聚类的新算法及一些新的相关削减策略.一个最大子空间共调控基因聚类聚集了某个条件序列上的一组共调控基因,而且不被其他的子空间共调控基因聚类包含.从多方面分析了该算法的性能,并将其用于白血病和酵母细胞的真实表达数据集及人造数据集聚类.理论分析和实验结果都表明,相对于已有的基于模式/趋势的聚类算法,该算法能发现更多具有生物意义的共调控基因聚类,并且性能优于目前的共调控基因聚类算法.     

基于动态聚类分析的雷达载频模式识别

对雷达信号的载频模式进行识别的传统方法一般都是基于统计法的,但是往往识别效果并不理想。聚类分析方法是一种经典的模式识别方法,它原理简单,计算方便,可为雷达载频模式识别提供一种新的分析思路。通过对雷达信号的载频序列进行聚类分析,并根据聚类结果来对雷达信号载频模式进行识别,仿真实验验证了算法的有效性。最后在此基础上,使用动态聚类分析方法替换原来的聚类分析法,取得了更好的识别效果。     

基于新的鲁棒相似性度量的时间序列聚类

针对存在异常值的时间序列数据,提出了一种基于相关系数鲁棒估计的时间序列间的鲁棒广义互相关度量（RGCC）。首先,引入一种鲁棒相关系数代替Pearson相关系数来计算时间序列数据间的协方差矩阵;其次,用新的协方差矩阵的行列式构造两个时间序列间的相似性度量——RGCC;最后,基于该度量计算出序列间的距离矩阵,将其作为聚类算法的输入对数据进行聚类。时间序列聚类仿真实验表明,对存在异常值点的时间序列数据,与基于原始的广义互相关度量（GCC）得到的聚类结果相比,基于RGCC得到的聚类结果明显更接近真实的聚类结果。可见,所提出的新的鲁棒相似性度量完全适用于存在异常值的时间序列数据。