【时序聚类】Neurocomputing:Multivariate time series clustering based on common principal component analysi

最新推荐文章于 2024-02-18 08:30:59 发布
最新推荐文章于 2024-02-18 08:30:59 发布
阅读量1.5k 收藏 13
点赞数 5
分类专栏： # 时序聚类 文章标签： 时序模型 聚类算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40493501/article/details/104618459
版权
本文分析了2019年Neurocomputing期刊上关于多变量时序聚类的研究，该研究结合DTW和PCA的优势，提出了一种新的聚类方法。论文针对DTW的时间复杂度问题和PCA对原始值比较的忽视，提出一种兼顾变量关系和值的快速聚类算法，旨在降低维度并保持良好聚类效果。实验表明，该方法在高维数据上表现优越，尤其适用于长序列和大规模数据集。
摘要由CSDN通过智能技术生成

分析2019Neurocomputing 1区论文Multivariate time series clustering based on common principal component analysis

论文来源：https://www.researchgate.net/publication/332536648_Multivariate_time_series_clustering_based_on_common_principal_component_analysis

论文作者：中国华侨大学 Hailin Li

论文代码：在实验部分只提到使用MATLAB2010，但尚未见公开

论文语言风格比较适合Chinese，共PDF20页，可一天读完，在此做下阅读分析和感悟。

一、论文总体框架

一共分为5个部分，

1、Introduction：介绍一元时序数据和多元时序数据的各自常用方法，分析DTW的困境，列举基于传统方法之上需要继续研究的3个问题，最后阐述本文所解决的问题以及算法思路。

2、Preliminaries：简要介绍PCA，涉及到协方差矩阵和奇异值分解。需要了解主成分分析法，作者提出的算法也是基于此。

3、 MTS clustering based on CPCA：本文的一个核心部分，可以分为这几个部分，第一是提出要融合DTW和PCA的特点（PCA关注变量之间的关系，DTW关注序列（MTSÿ

最低0.47元/天 解锁文章
风雨潇潇一书生
关注
  • 5
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
文献记录(part43)--Multivariate time series clustering based on complex network
小山羊的学习日志
03-23 439
学习笔记，仅供参考，有错必纠 关键词:多元时间序列；数据挖掘；聚类分析；复杂网络 Multivariate time series clustering based on complex network 摘要 由于时间序列在各个领域的广泛存在，近年来时间序列数据挖掘(尤其是时间序列聚类)的研究日益增多。聚类等技术可以从时间序列数据中提取有价值的信息和潜在模式。在这方面，多元时间序列的聚类分析由于其高维数而具有挑战性。 我们的研究使我们开发了一种基于复杂网络的多元时间序列聚类新方法(BCNC)。BCNC
Neurocomputing期刊投稿——大修返回阶段——小修
热门推荐
woshilsh的博客
04-18 2万+
现在大概在JCR2区，也算是神经计算领域不错的期刊了！ 设计的一个大数据图方面的挖掘算法，投这上面试水了！ 2018.10.11投稿 2018.12.13一审意见返回，三个审稿人，提了超多问题 2019.1.18一审修改稿返回，写了139页的回复意见，吐血，因为有好多图要修改，一稿的图不清晰，所以重新运行算法，弄了新图，新表格，并且加了新旧修改对比，因为用Latex写的修改稿对比，虽然比wps\o...
Neurocomputing.ens elsevier 爱思唯尔旗下期刊 Neurocomputing 神经计算杂志 的endnote 参考文献模板
10-14
elsevier 爱思唯尔旗下期刊 Neurocomputing 神经计算杂志 的endnote 参考文献模板。
阅读笔记（Neurocomputing 2016）Stitching contaminated images
小秋在路上~
02-18 385
Li C, Liu Z Y, Yang X, et al. Stitching contaminated images[J]. Neurocomputing, 2016, 214: 829-836.
Neurocomputing投稿记录
charles_zhang_的博客
11-03 1万+
Neurocomputing投稿记录
探索非线性数据的聚类新境界：深度聚类算法的应用
08-15
3. **DBSCAN (Density-Based Spatial Clustering of Applications with Noise)**：基于密度的聚类算法，可以发现任意形状的簇，并且对噪声点具有较好的鲁棒性。 4. **Mean Shift 聚类**：这是一种基于密度的非参数...
稀疏数据集的聚类优化：探索K-means算法的高效应用
最新发布
08-15
3. **DBSCAN (Density-Based Spatial Clustering of Applications with Noise)**：基于密度的聚类算法，可以发现任意形状的簇，并且对噪声点具有较好的鲁棒性。 4. **Mean Shift 聚类**：这是一种基于密度的非参数...
聚类算法 ： Kmeans、Kmeans++、肘方法 - DBSCAN
04-05
接下来是DBSCAN（Density-Based Spatial Clustering of Applications with Noise），这是一种基于密度的聚类算法，不依赖于预先设定的聚类数量。DBSCAN通过定义邻域半径（epsilon，ε）和最少邻居数（minimum points...
聚类算法：LGC clustering:Local Gravitation Clustering的代码-matlab开发
05-29
Wang et al., "Clustering by Local Gravitation," in IEEE Transactions on Cybernetics, vol. 48, no. 5, pp. 1383-1396, May 2018. For Chinese readers who visit this page from my dissertation: 我的毕业...
文本聚类探索：使用K均值、层次和HDBScan算法 比较 报告 R语言
08-18
本分析的目的是对在数据采集部分获取的数据集进行文本聚类。文本聚类旨在基于内容将相似的文档分组在一起，并从数据中提取有意义的模式和见解。 对比三个聚类算法的结果，我们可以观察到 K-means 聚类具有最高的平均...
多元时间序列的深度学习实现
09-19
利用LSTM深度学习实现的多元时间序列的预测，利用Keras实现
一种基于DTW的符号化时间序列聚类算法
10-20
提出了一种基于DTW的符号化时间序列聚类算法，对降维后得到的不等长符号时间序列进行聚类。该算法首先对时间序列进行降维处理，提取时间序列的关键点，并对其进行符号化；其次利用DTW方法进行相似度计算；最后利用Normal矩阵和FCM方法进行聚类分析。实验结果表明，将DTW方法应用在关键点提取之后的符号化时间序列上，聚类结果的准确率有较好大提高。
CIT_LSTM_TimeSeries:用于电力负荷预测的LSTM模型
05-19
CIT_LSTM_TimeSeries 用于电力负荷预测的LSTM模型最佳深度学习使用特征选择和遗传算法进行电力负荷预测的LSTM模型：与机器学习方法的比较Salah Bouktif，Ali Fiaz，Ali Ouni和M. Adel Serhani
多元时间序列的基于相关性的动态时间规整：结合了DTW和PCA的相似性度量。-matlab开发
05-30
一种称为基于相关的动态时间扭曲 (CBDTW) 的新算法，它结合了基于 DTW 和 PCA 的相似性度量。 为了保持相关性，多元时间序列被分割，DTW 的局部差异函数源自 SPCA。 这些段是通过使用特殊的 PCA 相关成本通过自下而上的细分获得的。 我们的新技术符合两个数据库的要求，即 2004 年签名验证竞赛数据库和常用的 AUSLAN 数据集。 我们表明，在具有复杂相关结构的数据集的情况下，CBDTW 优于标准 SPCA 和最常用的基于欧几里德距离的多元 DTW。 该算法也描述在： J. Abonyi, F. Szeifert，用于识别模糊分类器的监督模糊聚类，模式识别快报，24(14) 2195-2207，2003 年 10 月
考虑负荷纵向随机性的用户用电行为聚类方法
01-13
针对不考虑负荷纵向随机性所导致的数据损失和用户误分类的问题，提出了一种考虑负荷纵向随机性的基于推土机距离(EMD)的用户用电行为识别新方法。该方法通过统计电力用户同一时刻多天的负荷分布情况，从横向和纵向2个角度全面表征用户的用电行为。并结合EMD和欧氏距离度量不同用户用电行为的差异程度。以一组国际通用的居民用电负荷作为算例进行分析，算例结果表明，在横向特性较为相似的用户中，该方法能够很好地提取用户的纵向特性。定性和定量分析均表明，该方法对用户负荷的聚类效果精细合理。
高维多元时序数据聚类
qq_25368751的博客
11-30 4304
收集数据的能力不断增强，使我们有可能收集大量的异构数据。在可用的异构数据中，时间序列代表着尚未被充分探索的信息母体。当前的数据挖掘技术在分析时间序列时存在多个缺点，尤其是在应同时分析多个时间序列（即多维时间序列）以从数据中提取知识时。
硕士期间两篇计算机sci二区,实验室两篇论文被SCI 2区期刊Neurocomputing接收
weixin_33766046的博客
07-28 1355
实验室博士生吴彦峰、过辰楷老师等题为《Dilated residual networks with multi-level attention for speaker verification》的论文和博士生邱宇等题为《A Simple Saliency Detection Approach via Automatic Top-Down Feature Fusion》的论文被SCI 2区期刊Neu...
ECCV20| 3D目标检测时序融合网络
有所为，有所成长
09-14 1568
文章：An LSTM Approach to Temporal 3D Object Detection in LiDAR Point Clouds 文章链接： https://arxiv.org/pdf/2007.12392.pdf 0 前言 这是一篇来自Google-Research的研究工作，基于点云的3D目标检测目前有三个前沿的研究点，分别是：多模态、时序融合、自监督和弱监督。其中就笔者看到过和汇总过的文章而言（https://github.com/LittleYuanzi/awesome-Autom
译：Convolutional Two-Stream Network Fusion for Video Action Recognition
fy_326983的博客
11-10 1396
这是双流神经网络的改进版，接下来会出他的读书笔记。 摘要：近年来，卷积神经网络（卷积神经网络）对视频中人类行为识别的应用提出了不同的解决方案，用于整合外观和运动信息。为了更好地利用时空信息，我们研究了许多在空间和时间上融合卷积塔的方法。我们得出以下结论：（i）空间和时间网络不在Softmax层融合，而是可以在一个卷积层融合，既不会损失性能，而且在参数上有大量的节省;（ii）最好在最后一个卷积层而不是之前的层上（spatially）融合，而在类预测层上的融合可以提高精度;最后（iii）将...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值