论文学习——特征点分段提取的时间序列匹配方法

已于 2022-10-03 19:54:18 修改
阅读量1.8k 收藏 2
点赞数
分类专栏： 2022.10 论文学习 文章标签： 序列相似
于 2022-10-03 15:55:23 首次发布
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_42521185/article/details/127149969
版权

文章目录

期刊：《北京航空航天大学学报》
作者：李正欣（空军工程大学）

0 封面

在这里插入图片描述

1 本文创新点

  • 多元时间序列的相似性分析

将特征点序列，转化为分位点矩阵，利用欧式距离对分位点矩阵进行相似性度量。

【我认为哈，还是一种自圆其说的方法，首先如何提取特征点，就是为了适应后面的相似性度量方法。所以说，研究这一方面的人都是这么做的。。。。先自己定义一种能够解释的特征点提取方法，然后再基于此，定义一种相似性度量方法。套路都是一样的。】

在这里插入图片描述

  • 作者认为，这种方式既能降低计算复杂度，同时提高度量准确率。

2 相关研究

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

3 特征点提取

3.1 将时间序列处理成特征序列seg

以当前观测值为滑动窗口的中心，如果观测值是当前滑动窗口内的最大值或最小值，则记为特征点。

在这里插入图片描述

3.2 将特征序列处理成分位点矩阵

将特征序列中的特征点按照从小到大的方式排序，对排序后的序列分别提取出9个分位点，构成分位点序列。

分位点序列不改变变量的维度，所以可以构成分位点矩阵。

在这里插入图片描述

3.2.1 采用欧式距离的平方度量

在这里插入图片描述

4 实验与结果分析

这一章主要就是实验了，来证明自己的方法是优于目前常用的方式的。

在这里插入图片描述
在这里插入图片描述

山外小楼听夜雨.
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
语音识别：时间序列的匹配算法（Needleman-Wunsch 算法）
gongdiwudu的专栏
01-08 7563
https://en.wikipedia.org/wiki/Needleman%E2%80%93Wunsch_algorithm Wagner–Fischer algorithm Smith–Waterman algorithm Sequence mining Levenshtein distance Dynamic time warping Sequence alignment
时序数据数据预处理、特征提取代码。分段特征、统计特征、熵特征。时间序列
06-30
时序数据数据预处理、特征提取代码。分段特征、统计特征、熵特征。
时序分析：串匹配-KMP算法
wishchinYang的专栏
12-17 899
图像处理与模式识别的教科书使用大量的章节来描述空域的模式识别方法。从图像底层特征提取、贝叶斯方法到多层神经网络方法，一般不讨论到对象随时间变化的情况，视频处理应用和在线学习方法使研究对象开始向时域延伸。        从不同的角度来看待时序模式识别：时间序列分析基础        一些摘抄：              时间序列分析说白了就是寻找时间序列中的模式。如果是在确定性时间序列中
Python 时间序列匹配 曲线匹配 折线匹配 散点匹配（基于DTW）
最新发布
Ustinian_的博客
05-10 697
需要做匹配的所有序列。
论文学习——基于极值点特征的时间序列相似性查询方法
#仙女不扎马尾#的博客
07-03 422
写在前面：《计算机应用研究》； 作者：吴学雁、黄道平（华南理工大学）时间序列存在各种复杂变形（如平移、伸缩、间断等），且变形时间和变形程度均无法预料，而广泛采用欧式距离及其变体 对时间轴的变形非常敏感，一些轻微的改变就会导致欧式距离发生很大变化。在时间序列数据中，尤其是水文时间序列，最值得关注的往往是序列中的一些特征点。本文提出一种提取重要极值点的方法，依据重要极值点对时间序列进行分段表示；然后在此基础上使用一种改进的DTW方法进行相似性度量。时间序列相似性查询分为全序列匹配和子序列匹配两种方式。在全序列匹
论文研究-一种基于特征点的时间序列分段线性表示 .pdf
08-15
一种基于特征点的时间序列分段线性表示，吴德，，时间序列是一种重要的数据对象，在现实世界许多领域广泛存在。由于时间序列海量和复杂的数据特点，直接在时间序列上进行数据挖掘
论文研究-基于特征点分段的多元时间序列相似性搜索.pdf
09-07
提出了一种基于特征点分段的多元时间序列相似性搜索算法，提取所定义的用于分段的特征点，分段后将原时间序列转化为模式序列，该模式序列能够很好地保留原序列的全局形状特征，再用分层匹配的方法进行相似性搜索。...
分段航迹序列重力匹配方法研究 (2013年)
05-12
分析了地形轮廓匹配(TERCOM)和概率数据关联滤波器(PDAF)方法在重力匹配过程中,因惯性导航系统积累误差引起的航位漂移对匹配精度的影响,提出了分段航迹序列重力匹配方法.该方法利用惯导短时航位漂移小的特点,由重力...
论文研究-一种非同步时间序列特征提取算法.pdf
07-22
在对时间序列经过符号化处理获得两类字符串集合的基础上，提出了一种非同步时间序列特征模式提取算法，该算法的核心是利用约简方法快速找到一个能充分区分两类字符串集合的模式，从而可以发现所有包含此模式的时间...
论文研究-基于时间序列趋势转折点的分段线性表示.pdf
07-22
在充分利用时间序列时变特征的基础上，以有效地提取序列中的趋势和压缩原始数据为目标，提出了基于时间序列趋势转折点的分段线性表示方法。该方法在有效地提取序列中的趋势和压缩原始数据的同时，能够随着时间序列...
时间序列构建与为已经有的代码集构建时间匹配
m0_68834733的博客
08-04 136
SELECTTL."年月", (SELECT SUM (case when bd.shkzg='S' then DMBTR when bd.shkzg='H' then -1*DMBTR else 0 end) from SAPHANADB.knvv kv left join SAPHANADB.but000 bt on bt.client=kv.mandt and bt.partner=kv.kunnr left join SAPHANADB.ukmbp_CMS_SGM us on us.pa
PostgreSQL时间序列分析示例——模式匹配
neweastsun的专栏
04-27 649
本文通过实例讲解简单时间序列模式分析，如查找连续三个月增长的记录。 示例数据 为了演示，创建简单示例表，包括少部分示例数据： CREATE TABLE t_timeseries ( id serial, data numeric ); COPY t_timeseries FROM stdin DELIMITER ','; 1,11 2,14 3,16 4,9 5,12 6,13 7,14 8,9 9,15 10,9 \. 现
时序数据特征提取
热门推荐
LaoChen_ZeroonE
07-13 2万+
时序数据特征提取时间序列的表示方法分段线性表示分段线性表示符号化聚合近似时间序列的相似性度量方法Ｍｉｎｋｏｗｓｋｉ距离动态时间弯曲符号化距离基于模型的距离度量方法时间序列的特征提取方法基于统计特征的分类特征提取基于构建模型的分类特征提取基于变换的分类特征提取基于分形理论的分类特征提取 特征提取在提高分类的准确性中起着非常关键的作用. 对时序特征提取的方法进行归纳分类, 将有利于对特征提取整体性, 全面性的认识. 回顾现有的时间序列中特征提取的方法, 将其总结为四大类, 它们分别是基于基本统计方法的特征提取、
时间序列分析 pdf_多变量时间序列的聚类分析与相似查询——多变量时间序列的相似查询分析...
weixin_39763640的博客
12-11 381
多变量时间序列的相似查询分析1 多变量时间序列相似的定义多变量时间序列的相似查询，用于描述在给定的多变量时间序列数据库中查找与待分析多变量时间序列相似或匹配的时间序列段。但与传统的待分析对象的精确目标查找过程不同，由于时间序列的采集极易收到噪声污染，加之时间序列本身具有连续性，使得时间序列的精确匹配没有可能同时也没有必要。则称多变量时间序列X与Y相似，记作Sim(X,Y)。其中，D(X,Y)称为描...
时序特征提取工具
qq_25368751的博客
11-29 2485
在选择了需要提取的特征，确定了时序数据特征提取数据集的长度并对先验知识建模之后，就需要利用工具搭建特征提取系统。科研机构围绕不同问题域搭建的开源时序数据特征提取工具已经不少，我们可以利用这些工具快速实现希望达成的算法效果。下面介绍几种常用的时序特征提取工具（如python tsfresh，Time Series Feature Extraction Library (TSFEL)，cesium、fats和hctsa），以供我们在做时序数据分析过程中技术选型参考。
时间序列学习 经典案例（2）【tsfresh】基于datetime索引的特征提取
酒心★
01-11 1823
1.使用Datetime索引从数据帧(某一个事物的多个时间点组成集合)中提取特征的案例背景 在许多情况下，假设定时进行时变测量就足够了。然而，对于大量的任务，在进行测量时考虑到这一点是很重要的。例如医疗保健，生命体征测量的间隔时间包含重要信息。 注意：这种提取是针对分类的情况对时间进行提取的，提取之后不再存在显性的时间。一般用于分类聚类，少用于预测，且一般用于不固定的时间间隔。 此外，本质上来说这是一种抽取特征的方法，比如本案例中，id 代表了某一个事物，这里有事物a、b，然后事物a 有多个时间点，事物b有
时间序列匹配之dtw的python实现（二）
轻舟已过万重山的博客
10-18 6950
简介 在上一篇文章里我们介绍了dtw库的使用，但其限制太多，不够灵活，且作图不够方便，因此我们来介绍一个更加复杂的库----dtw-python。它是R语言中dtw实现的python版本，基本的API是对应的，它的优势在于能够自定义点的匹配模式，约束条件，和滑动窗口。同时提供方便的作图和快速的计算（C语言的内核），官方文档点击这里。 示例 本次两条时间序列依然选择上一篇文章中的序列： import numpy as np from dtw import * x=[2., 0., 1., 1., 2., 4.
机器学习中连续型特征的二值化与分段，一文读懂
weixin_43776305的博客
05-27 871
文章目录
时间序列特征提取的Python和Pandas代码示例
deephub
03-30 4107
时间序列分析是理解和预测各个行业(如金融、经济、医疗保健等)趋势的强大工具。特征提取是这一过程中的关键步骤，它涉及将原始数据转换为有意义的特征，可用于训练模型进行预测和分析。在本文中，我们将探索使用Python和Pandas的时间序列特征提取技术。在深入研究特征提取之前，让我们简要回顾一下时间序列数据。时间序列数据是按时间顺序索引的数据点序列。时间序列数据的例子包括股票价格、温度测量和交通数据。时间序列数据可以是单变量，也可以是多变量。单变量时间序列数据只有一个变量，而多变量时间序列数据有多个变量。
评论
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