基于ICA的时间序列聚类方法及其在股票数据分析中的应用

时间序列聚类分析是时间序列数据挖掘中的重要任务之一,通常由于时间序列数据的特殊结构,导致一般的聚类算法不能直接应用于时间序列数据。本文提出了一种基于独立成分分析与改进k-均值算法相结合的时间序列聚类算法,该算法首先利用独立成分分析对时间序列数据进行特征提取,然后利用改进k-均值聚类算法完成对时间序列特征数据的聚类分析,从而得到了一种新的基于特征的时间序列聚类方法。为了验证该方法的有效性和可行性,将其应用于实际的股票时间序列数据聚类分析中,取得了较好的数值结果。

基于一维搜索的ICA自适应算法及其在股票分析中的应用

在固定步长的ICA极大似然估计自适应算法的基础上,通过一维搜索引入了步长修正方案,使新算法可在收敛速度和稳定状态时的失调误差这两个性能指标上达到最佳结合点,具有较好的时变系统跟踪能力。仿真结果证实了本文所提出的算法可以有效地提高ICA的自适应性,能够更准确地完成盲源分离。在此基础上将算法用在时变性很强的股票数据上,以验证该算法的有效性和可行性。