基于符号化聚合近似的时间序列相似性复合度量方法

基于关键点的符号化聚合近似(SAX)改进算法(KP_SAX)在SAX的基础上利用关键点对时间序列进行点距离度量,能更有效地计算时间序列的相似性,但对时间序列的模式信息体现不足,仍不能合理地度量时间序列的相似性。针对SAX与KP_SAX存在的缺陷,提出了一种基于SAX的时间序列相似性复合度量方法。综合了点距离和模式距离两种度量,先利用关键点将分段累积近似(PAA)法平均分段进一步细分成各个子分段;再用一个包含此两种距离信息的三元组表示每个子分段;最后利用定义的复合距离度量公式计算时间序列间的相似性,计算结果能更有效地反映时间序列间的差异。实验结果显示,改进方法的时间效率比KP_SAX算法仅降低了0.96%,而在时间序列区分度性能上优于KP_SAX算法和SAX算法。

融合趋势信息的时间序列符号聚合近似方法

为解决符号聚合近似方法(SAX)表示时间序列时忽略序列局部趋势的问题,提出一种融合形态趋势信息的时间序列符号聚合近似方法。该方法以子序列段中的最大值和最小值以及它们两者之间的相对位置为依据,定义一种新的趋势指标来描述子序列段的趋势,并使用融合趋势指标的符号矢量来近似表示时间序列。针对所提表示方法,给出一种新的距离度量方法,并在UCR数据集和电机转矩数据集上进行分类实验,实验结果表明,所提方法在绝大多数数据集上获得了较SAX方法更高的分类准确率,能够有效弥补SAX方法表示时间序列时忽略局部趋势的不足。

基于形态特征的时间序列符号聚合近似方法

由于形态特征能够较为客观地反映时间序列的变化趋势,在时间序列数据降维过程中,形态特征的提取能够保留较为充分的数据信息,为提高后期的时序数据挖掘的效率提供可靠的保障.文中提出基于形态特征的时间序列符号聚合近似方法,综合考虑分段序列的均值和数据分布的形态特征,并且通过论域转化对它们实现符号转化.在相同的压缩比环境下,与传统符号化表示方法相比,该方法能更好地提供原始时间序列数据信息,进而提高时间序列数据挖掘的效率.

基于SAX及空间信息熵的谐振接地系统单相接地故障选线方法

针对含多电缆谐振接地系统健全线路零序电流相似性减弱以及单相高阻接地因故障信息微弱且易被干扰而使选线正确率下降的问题,提出一种基于符号化聚合近似(symbolic aggregate approximation,SAX)及空间信息熵的选线方法。首先通过FIR滤波器提取暂态低频零序电流并标准化,然后将所得电流序列及其差值序列在多尺度域上符号化,通过最长公共子序列校验后生成三维故障空间并定义空间信息熵,最后比较线路间熵值差异度完成选线。仿真结果表明,所述选线方法灵敏度高,硬件要求低,能够克服采样不同步、三相不平衡等困难。

基于排列熵的SAX特征表示方法复杂度及相关特性研究

符号化聚合近似SAX方法是典型且行之有效的符号化特征表示方法。目前对SAX方法实践应用较多,然而对其内在特性,如复杂度、信息损失、相关性及周期性等方面的分析研究却相对较为少见。运用排列熵来度量SAX方法的复杂度及相关特性的统计学特征,通过在实验数据集以及真实生理数据上的实验表明,SAX方法可以明显降低特征表示的复杂度,冗余效应也得到了缓解;此外,SAX较好地保留了采用自相关函数ACF度量的内在相关性。本文工作可以对SAX方法及其进一步应用提供支撑,为新的符号化特征表示方法的设计与评估提供分析与统计工具。

运动识别中基于主题的特征构建方法

针对传统基于特征提取的运动识别方法很大程度上依赖研究者的领域知识和训练样本的规模问题,提出一种基于主题的特征构建方法,使用基于符号化聚合近似(SAX)的主题模型对运动模式进行建模.使用降维的方法对加速度原始信号进行预处理,结合时序数据符号化聚合近似化的方法,将SAX化后的时序数据集作为主题分析的文档集.通过主题模型进行模式挖掘,实现文档数据的降维效果,构造隐主题相关的向量,并通过建立空间向量模型(VSM)进行运动识别.实验结果表明:基于符号化聚合近似的主题分析方法可以很好地应用于运动识别,并且与传统基于特征提取的方法和基于模体发现的方法相比,活动识别率明显提升.

针对时间序列的城轨牵引能耗异常分析

城市轨道交通牵引能耗占系统整体能耗的40%~60%.车载能耗计量装置记录了大量时间序列形式的牵引能耗数据,其能耗模式和异常分析对城市轨道交通节能运营具有重要意义.本文提出一种针对时间序列数据的牵引能耗异常分析方法.首先基于符号化近似聚合方法降低原时间序列维度得到牵引能耗子模式,然后利用K-means聚类实现牵引能耗模式判别,最后基于获得的典型牵引能耗模式及时间序列相似性度量方法,分析牵引能耗时间序列是否存在异常.将该方法应用于北京地铁某线路列车运营过程中记录的数据,得到3种典型能耗模式并结合车底运用计划进行分析,所提方法可用于时间序列牵引能耗数据的异常判断,为及时发现并确定牵引能耗异常程度提供数据支撑.

基于奇异谱修正香农熵的雷达信号识别方法

针对当前雷达辐射源识别在低信噪比下识别率准确率不高,信号处理过程中难以很好保留有用信息的问题,提出了一种基于奇异谱修正香农熵(Singular Spectrum Modified Shannon Entropy,SSSE)的雷达调制信号识别方法。通过符号化聚合近似和奇异谱分析对雷达信号进行处理,求出信号的分类特征SSSE,通过分类器将处理后的信号进行分类。仿真结果显示,该方法在低信噪比范围下,仍有较高总体识别率,并且优于符号化聚合近似和奇异谱分析法。

一种用于自适应跳频无线信道质量预测算法

分析了2．4G频段无线信道增加节点的存储开销、滞后现象、质量丢包现象等缺点以及产生的原因，最大限度解决这些问题，提出了适合无线传感器网络实现的无线信道质量预测算法。算法综合利用RSSI（接收信号强度指示）和LQI（信道质量指示）构造出两个信道质量指标Sm和delta，分析它们的分布特征，通过符号化近似聚合方法把数据包的这两个数据映射到不同的符号，总结信道质量变差之前的符号作为模式，根据样本与模式之间的距离来确定信道质量变化的概率，达到信道质量预测的目的。

基于SAX的车载数据时空语义编码及分析方法

车载监控系统各项功能及技术指标趋于成熟,实车试验因而得以顺利开展。与此同时,收集了丰富的车载监控数据。车载监控数据的类型与数量已经远达到了可以分析的技术要求,但是编码分析手段却并未随着数据量的增加而有所突破。为了有效利用车载监控数据,突破现有数据处理的瓶颈,便于后续挖掘工作的展开,提出了一种车载数据时空语义编码及分析方法。将时间序列符号化思想运用到交通工程中,充分考虑到驾驶数据特征,基于符号化聚合近似(SAX)的3个步骤,对选定的一段范例数据依次进行了正规处理、降维处理、离散及符号化处理。结果表明:经过语义编码后,先前维数很高、数据特征冗杂的驾驶时间序列数据合理地转换成了可读性强并且易于搜索定位的符号化序列,在实现大幅降低数据维度的同时又适时地保留了时间序列数据的主要特征。最后,通过案例分析演示了该方法在实际车辆驾驶安全性分析中的作用与优势。研究结果可为重点监控车辆高风险驾驶事件以及有针对性地开展驾驶安全培训等提供理论依据,同时也可为未来特定驾驶场景的快速提取进行技术储备。