资源详细信息
一种基于频繁模式的时间序列分类框架 - 资源详细说明
摘 要：如何提取和选择时间序列的特征是时间序列分类领域两个重要的问题。该文提出MNOE(Mining Non-
Overlap Episode)算法计算时间序列中的非重叠频繁模式，并将其作为时间序列特征。基于这些非重叠频繁模式，
该文提出EGMAMC(Episode Generated Mixed memory Aggregation Markov Chain)模型描述时间序列。根据似
然比检验原理，从理论上推导出频繁模式在时间序列中出现的次数和EGMAMC 模型是否能显著描述时间序列之
间的关系；根据信息增益定义，选择能显著描述时间序列的频繁模式作为时间序列特征输入分类模型。在UCI
(University of California Irvine)公共数据集和实际智能楼宇数据集上的实验表明，选择频繁模式作为特征进行分类
的准确率、召回率和F-Measure 均优于不选择频繁模式作为特征的分类结果。高效的计算和有效的选择非重叠频
繁模式作为时间序列特征有助于提高时间序列分类模型的各项评价指标。
立即下载 一种基于频繁模式的时间序列分类框架
提示：下载后请用压缩软件解压，推荐使用 WinRAR 或 7-Zip
下载说明与使用指南
下载说明
- 本资源需消耗 2积分
- 24小时内重复下载不扣分
- 支持断点续传功能
- 资源永久有效可用
使用说明
- 下载后使用解压软件解压
- 推荐使用 WinRAR 或 7-Zip
- 如有密码请查看资源说明
- 解压后即可正常使用
积分获取方式
- 上传优质资源获得积分
- 每日签到免费领取积分
- 邀请好友注册获得奖励
- 查看详情 →