排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
针对基于shapelets转换的时间序列分类算法因shapelets候选集中存在大量相似序列而造成耗时过长的问题,提出了一种基于LSH的shapelets转换方法（Locality Sensitive Hashing Shapelets Transform,LSHST）,提出一种局部敏感哈希函数（LSH）的改进算法,对原始子序列候选集进行逐级过滤筛选,快速挑选出形态上具有代表性的shapelets集合,计算集合中shapelets的质量,采用覆盖的方法确定将要进行转换的shapelets,进一步减小shapelets的数量,进行shapelets转换。实验表明,与Shapelet Transform（ST）、ClusterShapelets（CST）和Fast Shapelet Selection（FSS）算法相比,LSHST在分类精度上最高提升了20.05、19.9和16.52个百分点,在时间节省程度上最高达8 000倍、16 000倍和8.5倍。 相似文献
2.
生产实践中会产生大量的时间序列数据,而通过对时间序列数据的挖掘可以指导生产实践.时间序列数据通常维度高,为了保证原始序列的变化形态,有研究提出了时间序列重要点表示,但是选取重要点后,序列仍然受到噪声点的影响.为此首次提出在预处理阶段对时间序列进行多项式平滑滤波(Savitzky-Golay),然后对平滑后的序列选取重要点.重要点的选取使用连续三点取值的算法,为了更大程度上降低时间序列的长度,对极值点的选取增加了新的约束条件.时间序列相似性度量使用快速动态时间规整算法(FastDTW),实验表明所提算法具有可行性和有效性. 相似文献
1