基于动态弯曲的时间序列异步相关性分析

鉴于相关性分析在时间序列数据挖掘领域中的重要性,提出一种基于动态时间弯曲的时间序列异步相关性分析方法。利用动态时间弯曲算法在时间序列数据中获得最优弯曲路径,将路径元素扩展为反映原始时间序列异步相关性的新序列,通过计算新序列之间相关系数来实现原始时间序列的异步相关性度量,进而克服传统方法局限于同步相关性分析的问题。数值实验表明,该方法拓展了时间序列数据的相关性分析研究,具有较强的鲁棒性。

基于异步PCA的故障识别方法

针对传统的主元分析(PCA)方法仅考虑变量间同步相关性的问题,提出一种基于异步PCA的故障识别方法。该方法首先利用导数动态时间规整(DDTW)从待识别故障数据集的关键变量序列和历史故障数据集的故障变量序列中获得最优规整路径,将最优规整路径上的元素扩展为反映关键变量序列和故障变量序列之间异步相关性的新序列,然后对新变量序列的协方差矩阵进行特征值分解获得负荷矩阵,最后根据负荷矩阵中关键变量序列和故障变量序列的低维表示向量之间的相似性识别故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障识别性能优于传统的PCA相似系数法。