基于事务序列的视频摘要挖掘方法研究

提出了一种基于事务序列的关联挖掘方法实现对足球视频的摘要挖掘。处理过程分为视频数据预处理、视频属性提取和视频摘要挖掘等三个步骤。视频数据预处理阶段将原始视频流切分成物理镜头。视频属性提取阶段先将物理镜头分成五种类型,将视频转换成镜头标识序列,以事务为单位对标识序列进行切分形成事务序列,构造一种关系数据库来存储这些事物序列数据。在视频摘要挖掘阶段,采用传统的Apriori算法对事务数据库进行关联挖掘获得关联模式,以挖掘出的关联模式为依据形成视频摘要。实验结果表明,挖掘精彩事件的查全率和查准率较高,具有实用价值。     

聚类挖掘在监控视频中的应用

提出了一种针对监控视频数据的挖掘算法.算法根据输入视频帧与可更新背景帧的差异计算帧运动量,按运动量所属类型分割视频段,然后根据视频段的平均运动量采用K均值算法进行聚类分组.通过对大楼走廊的监控视频进行运动量挖掘,能对可能的异常事件给予告警,发现一天中各时段走廊的拥挤程度和模式.实验结果表明该挖掘算法对于室内走廊监控视频是有效的和鲁棒的,可以在一定程度上提高监控视频的智能应用.     

相似时间序列挖掘方法

马尔可夫状态转移矩阵描述了随机过程的动态特性，而时间序列可以认为是这一动态特性的外在体现，将二者有效地结合起来为相似时间序列挖掘提供了一种有效的新方法。     

带时间约束的序列模式挖掘

随着大数据时代的到来,能够高效地应用序列模式挖掘的各种方法,准确地发现数据中具有先后顺序的规律,并提高其实用性,将是未来研究工作的重心。因此,为了增加用户参与度,挖掘其中更符合用户需求的序列模式,本文介绍了序列模式挖掘算法中可以添加的约束,以及其中的通用时间约束。     

带时延的长时间序列线性相关挖掘研究

提出了一个带时延的长时间序列线性相关的挖掘算法Mini-Check。先将时间序列变换为Haar小波系数序列,再利用线性相关系数和欧氏距离系数之间的关系过滤,形成两两序列对的结果集,最后只计算这些序列对之间的Pearson相关系数,来判定序列对是否线性相关。与传统方法相比,算法的效率很高。     

监控视频聚簇模式挖掘及其应用

在监控视频中,新输入的视频帧与可更新背景的差异可以实时反映监控场景中运动目标的大小和多少等信息.本文以此计算帧运动量,提出一种监控视频场景聚簇模式挖掘方法.先依据帧运动量的变化分割监控视频流,然后计算视频段的平均运动量,并对其进行K均值聚类分组,最后利用获得的聚簇知识,可以对监控视频实现多尺度摘要和相似视频检索.     

基于J2EE组件技术的水文时间序列相似性挖掘系统

时间序列的相似性挖掘是数据挖掘中的重要内容,通过对水文时间序列的相似性挖掘研究,设计并实现一个基于J2EE组件技术的相似性挖掘系统。并对该系统进行了测试实验,证明其有效性和正确性．     

新闻视频挖掘技术研究

新闻视频挖掘是一个新兴的研究领域,也是多媒体数据挖掘的典型代表。本文对新闻视频挖掘技术进行了全面深入的讨论,首先从概念上对新闻视频挖掘进行了界定,提出了新闻视频挖掘的层次框架和技术框架,指出新闻视频挖掘包括低层视频挖掘和高层视频挖掘两个层次。其中,低层视频挖掘是利用数据挖掘的方法对视频内容进行分析的过程,而高层数据挖掘则是在低层挖掘的基础上进一步发现视频中的知识的过程。新闻视频挖掘的技术框架则对挖掘所涉及到的具体技术进行了分析。最后,对新闻视频挖掘中的结构挖掘、语义内容挖掘、视频摘要、趋势挖掘、关联挖掘等任务进行了详细的阐述,并对各种任务举出了具体的示例加以说明。     

基于子序列相似性的时间序列语义挖掘算法

时间序列是对某个事物或系统进行连续同间隔测量得到的数值序列,挖掘时间序列中潜在的语义信息对于发现系统运行规律或识别系统突发异常至关重要,然而目前多数时间序列语义挖掘算法对于时间序列数据特征有一定的约束条件,难以处理海量且特征各异的时间序列数据。针对该问题,提出一种基于子序列相似性的时间序列语义挖掘算法。通过计算子序列的相似性,将时间序列分割成片段序列进行两级聚类,识别出时间序列中潜在的物理状态。引入基于概率的迭代模式,根据候选分段情况动态调整子序列被选为参考子序列的概率,保证参考子序列涵盖全部物理状态。实验结果表明,该算法在PAMAP、Barbet等5个真实数据集上的识别准确率均超过90%,相比于FLUSS、pHMM、AutoPlait算法具有更高的识别准确率与运行效率以及更强的通用性。     

水文时间序列相似性挖掘系统

时间序列分析正成为数据挖掘研究的热点,本文讨论了时间序列相似性研究的现状和典型方法,介绍了水文时间序列相似性系统的设计与实现,详细分析了系统采用的相似性度量方法。     

事件预测的时间序列数据挖掘方法

研究了应用数据挖掘技术预测时间序列数据中事件的方法。针对时间序列数据提出了显著特征提取算法,给出了特征间的相似度量标准,并应用特征聚类算法,将时间序列数据转换成相应的特征序列表示。应用频繁模式发现算法和预测模式生成算法在预测时段内发现与目标事件相关的时序特征模式,预测事件的发生。实验结果表明,该文所提出的方法能够有效地预测时间序列数据中的事件。     

基于动态时间弯曲的时序数据聚类算法的研究

时间序列是一类重要的复杂类型数据,时间序列知识发现正成为知识发现的研究热点之一。欧几里的距离及其扩展作为相似测度被广泛应用于时间序列的比较中,但是这种距离测度对数据没有好的鲁棒性。动态时间弯曲技术是基于非线性动态编程的一种模式匹配算法。该文提出了基于动态时间弯曲技术的相似搜索算法,通过计算时序数据之间的最短弯曲路径来获得序列的匹配。对综合控制时序数据进行基于不同距离测度的聚类分析对比结果表明该文提出的算法有很高的精度和对振幅差异、噪声和线性漂移有强的鲁棒性,具有良好的应用价值。     

时间序列的表示与分类算法综述

时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内,依照给定的采样率,对某种潜在过程进行观测的结果。时间序列数据广泛地存在于商业、农业、气象、生物科学以及生态学等诸多领域,从时间序列中发现有用的知识已成为数据挖掘领域的研究热点之一。在时间序列表示方面,主要介绍了非数据适应性表示方法、数据适应性表示方法和基于模型的表示方法;针对时间序列的分类方法,着重介绍了基于时域相似性、形状相似性和变化相似性的分类算法,并对未来的研究方向进行了进一步的展望。     

移动计算中基于Rough Set的时间序列研究与应用

提出了基于Rough Set在移动计算环境中进行数据挖掘的系统模型，给出了进行数据挖掘的具体算法，介绍了由实时时态信息系统转换为时态信息系统的平均时间间隔方法，以及由时态信息系统转换为传统信息系统的增量分析方法，最后给出了实例和应用结果.     

基于支持向量机的复杂时间序列预测研究

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了复杂时间序列的多尺度分解方法,对支持向量机回归与预测的各项参数设置进行了试验分析。对股票数据进行建模和预测,结果表明支持向量机对复杂时问序列具有较好的预测效果。     

基于shapelet的时间序列分类研究

时间序列是随时间次序变化的高维实值数据,广泛存在于医学、金融、监控等领域。因为传统的分类算法在时间序列上的分类效果不佳且不具备可解释性,而shapelet为时间序列中最具辨别性的连续子序列,具有可解释性,所以基于shapelet的时间序列分类已成为时间序列分类研究的热点之一。首先,通过归纳总结,将现有的时间序列shapelet发现算法分为空间搜索发现shapelet和目标函数优化学习shapelet两类,并介绍了shapelet的相关应用;然后,从分类的对象出发,重点阐述了基于shapelet的一元时间序列和多元时间序列的分类算法;最后,指出了基于shapelet的时间序列分类在未来的研究方向。     

基于符号化表示的时间序列频繁子序列挖掘

提出一种新的基于符号化表示的时间序列频繁子序列的挖掘算法。利用基于PAA的分段线性表示法进行降维,通过在高斯分布下设置断点,实现时间序列符号化表示,利用投影数据库挖掘频繁子序列。该算法简单、新颖,运行快速,简化了子序列支持数的计算。