• / 20
  • 下載費用:30 金幣  

一種基于馬氏距離DTW的多維時間序列分類方法.pdf

摘要
申請專利號:

CN201510351181.7

申請日:

2015.06.24

公開號:

CN104915434A

公開日:

2015.09.16

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06F 17/30申請日:20150624|||公開
IPC分類號: G06F17/30 主分類號: G06F17/30
申請人: 哈爾濱工業大學
發明人: 劉大同; 陳靜; 彭宇; 彭喜元
地址: 150001黑龍江省哈爾濱市南崗區西大直街92號
優先權:
專利代理機構: 哈爾濱市松花江專利商標事務所23109 代理人: 楊立超
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510351181.7

授權公告號:

||||||

法律狀態公告日:

2018.03.27|||2015.10.14|||2015.09.16

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

一種基于馬氏距離DTW的多維時間序列分類方法,本發明涉及多維時間序列分類方法。本發明是要解決針對衛星遙測數據進行固定點分段效果不理想、由于多維時間序列之間存在相關性以及時間序列存在微小偏移而使度量結果不夠準確進而導致分類結果不夠準確的問題,而提出了一種基于馬氏距離DTW的多維時間序列分類方法。該方法是通過1、獲得用于訓練的多維時間序列X={x1,x2,...,xj,...xn}及類別標簽L={l1,l2,…,ln};2、提取待分類多維時間序列X′={x′1,x′2,...,x′m};3、計算X′={x′1,x′2,...,x′m}與X={x1,x2,...,xj,...xn}之間的DTW距離序列;4、采用基于馬氏距離的DTW距離的KNN分類方法,根據設定的K近鄰數目對待分類的多維時間序列X′={x′1,x′2,...,x′m}進行分類,確定待分類的多維時間序列的所屬類別等步驟實現的。本發明應用于多維時間序列分類領域。

權利要求書

權利要求書
1.  一種基于馬氏距離DTW的多維時間序列分類方法,其特征在于一種基于馬氏距離DTW的多維時間序列分類方法具體是按照以下步驟進行的:
步驟一:將衛星正常運行狀態下的歷史衛星遙測數據Y以幅角突變點為標識進行分段,得到正常多維時間序列X={x1,x2,...,xj,...xn},其中,Y為nd行na列的歷史衛星遙測數據矩陣,nd為多維時間序列的維度值,na為所有歷史衛星遙測數據的數據點數,xj為nd行nlen列數據矩陣表示X的第j個序列,j=1,2,…,n,nlen為時間序列長度,n為X中的成員數目;
步驟二、將分段后所得到的多維時間序列X={x1,x2,...,xj,...xn},通過層次聚類方法設定聚類目標類別數目為c對序列進行聚類操作,從而獲得多維時間序列的類別標簽L={l1,l2,…,ln};其中,c為大于1小于n的正整數,ls表示L序列的第s個元素,其取值由層次聚類結果確定,其中s=1,2,…,n;
步驟三:提取最新衛星遙測數據中相鄰m+1個幅角突變點對應時間點之內的測試數據即待分類多維時間序列為X′={x′1,x′2,...,x′m},其中,m為大于0的正整數;
步驟四、計算出待分類的多維時間序列X′={x′1,x′2,...,x′m}與含有類別標簽的多維時間序列X={x1,x2,...,xj,...xn}之間的DTW距離序列
其中,dij的計算方式如下:
dij=DTWma(x'i,xj)
x'i表示X′的第i個序列,i=1,2,…,m;DTWma表示基于馬氏距離的DTW距離算法;DTW,dij為x'i與xj之間的基于馬氏距離的DTW距離;
步驟五、采用基于馬氏距離的DTW距離的KNN分類方法,根據設定的K近鄰數目對待分類的多維時間序列X′={x′1,x′2,...,x′m}進行分類,確定待分類的多維時間序列X′={x′1,x′2,...,x′m}的所屬類別L′={l′1,l′2,…,l′m},其中,K=1,2,…,n;所屬類別l'為1,2,L,c中確定的某個數;KNN為K最近鄰分類算法;即完成了一種基于馬氏距離DTW的多維時 間序列分類方法。

2.  根據權利要求1所述一種基于馬氏距離DTW的多維時間序列分類方法,其特征在于:步驟一中幅角為衛星遙測數據的測試參量之一,幅角變化規律為從0°~360°依次遞增,具有明顯的周期性,幅角值由360°變為0°為幅角突變點。

3.  根據權利要求1所述一種基于馬氏距離DTW的多維時間序列分類方法,其特征在于:步驟一中將衛星正常運行狀態下的歷史衛星遙測數據Y以幅角突變點為標識進行分段,得到正常多維時間序列X={x1,x2,...,xj,...xn}具體過程為:
(1)當幅角達到360°后,則變為0°重新開始遞增,從360°變為0°這個點為幅角突變點;
(2)記錄幅角突變點的對應時間;
(3)根據幅角突變點對應的時間,提取相鄰兩個幅角突變點對應時間之內的測試數據為時間序列;其中多維時間序列是由多條時間序列組成;其中,測試數據為偏航姿態角、飛輪轉速和母線電壓。

4.  根據權利要求1所述一種基于馬氏距離DTW的多維時間序列分類方法,其特征在于:步驟四中計算出dij的具體過程為:
(1)計算待分類的多維時間序列各維度之間的協方差矩陣Ccov,其計算方式為:
Ccov=E{[Y-E(Y)][Y-E(Y)]T}
其中,Y為nd行na列的歷史衛星遙測數據矩陣么,E是表示計算期望值;
(2)基于馬氏距離的DTW距離即在兩條時間序列和之間尋找最優彎曲路徑來得到最小馬氏距離度量值DTWma(x'i,xj);采用馬氏距離進行計算得出d(pk),計算方式為:
d(pk)=DM(xiik,xjjk)=xiik,xjjk)TCcov-1(xiik,xjjk)]]>
在彎曲路徑中,存在一條最優路徑使得它的彎曲總代價最小,即:
DTWma(xi,xi)=minpΣk=1Kd(pk)]]>
其中,P={p1,p2,…,pK'}表示彎曲路徑,pk表示P的第k個成員,k=1,2,…,K',并用來表示x'i中的第i'個元素x'ii'k與xj中的第j'個元素xjj'k之間的對應關 系i'=1,2,…,nlen,j'=1,2,…,nlen,d(pk)表示x'ii'k與xjj'k的彎曲代價;
(3)為了求解通過動態規劃來構造一個代價矩陣R(i',j'),即:
R(i',j')=d(i',j')+min{R(i',j'-1),R(i'-1,j'-1),R(i'-1,j')}
其中,R(0,0)=0,R(i',0)=R(0,j')=+∞;R(nlen,nlen)就是DTW度量時間序列x'i和xj的最小距離值,即得到DTWma(x'i,xj)=R(nlen,nlen)。

5.  根據權利要求1所述一種基于馬氏距離DTW的多維時間序列分類方法,其特征在于:步驟五中采用基于馬氏距離的DTW距離的KNN分類方法,根據設定的K近鄰數目對待分類的多維時間序列X′={x′1,x′2,...,x′m}進行分類,確定待分類的多維時間序列X′={x′1,x′2,...,x′m}的所屬類別L′={l′1,l′2,…,l′m}的過程為:
(1)確定與待分類的多維時間序列X′={x′1,x′2,...,x′m}中的各成員之間基于馬氏距離的DTW距離最小的K個含有類別標簽的多維時間序列,即在中,每行元素中取出K個最小的數值,確定這K個最小的數值對應的含有類別標簽的多維時間序列,對應的類別標簽為
(2)統計類別每行類別標簽中出現頻率最高的類別,即為分類的多維時間序列X′={x′1,x′2,...,x′m}的所屬類別為L′={l′1,l′2,…,l′m}。

說明書

說明書一種基于馬氏距離DTW的多維時間序列分類方法
技術領域
本發明涉及基于馬氏距離DTW的多維時間序列分類方法。
背景技術
通過對衛星遙測數據中的偏航姿態角進行分析,偏航姿態角的整體變化趨勢如圖1所示,其細節變化如圖2所示,得出衛星遙測數據具有明顯地周期性,且該特性已與衛星遙測數據提供單位進行了確認。通過對遙測數據的每個周期進行分析,可以得出衛星在該周期之內的運行狀態是否正常,按照固定點對衛星遙測數據分段效果不理想的情況,如圖3所示,分段后得到的各個時間序列之間的耦合度不夠高,存在一定的偏差,且隨著時間的推進這種偏差會愈發明顯。
對衛星遙測數據進行分類是對衛星遙測數據進行數據挖掘的一項重要功能,在分類的基礎之上可以完成多種數據挖掘任務,比如模式識別、異常檢測等等。而衛星遙測數據有其自身特點,比如:參數多、維度高、存在漂移等,這些特點致使在針對衛星遙測數據的分類采用經典的時間序列相似性度量方法,如歐式距離、皮爾森相關系數等,體現出不適應性。經典的時間序列相似性度量方法,不能排除多維時間序列之間的相關性影響,同時,針對時間序列存在微小偏移不能實現異步度量使得度量結果不夠準確,進而導致對衛星遙測數據的分類結果不夠準確。
發明內容
本發明的目的是為了解決針對衛星遙測數據進行固定點分段效果不理想、由于多維時間序列之間存在相關性以及時間序列存在微小偏移而使度量結果不夠準確進而導致分類結果不夠準確的問題,而提出了一種基于馬氏距離DTW的多維時間序列分類方法。
上述的發明目的是通過以下技術方案實現的:
步驟一:將衛星正常運行狀態下的歷史衛星遙測數據Y以幅角突變點為標識進行分段,得到正常多維時間序列X={x1,x2,...,xj,...xn},其中,Y為nd行na列的歷史衛星遙測數據矩陣,nd為多維時間序列的維度值,na為所有歷史衛星遙測數據的數據點數,xj為nd行nlen列數據矩陣表示X的第j個序列,j=1,2,…,n,nlen為時間序列長度,n為X中的成員數目;
步驟二、將分段后所得到的多維時間序列X={x1,x2,...,xj,...xn},通過層次聚類方法 設定聚類目標類別數目為c對序列進行聚類操作,從而獲得多維時間序列的類別標簽L={l1,l2,…,ln};其中,c為大于1小于n的正整數,ls表示L序列的第s個元素,其取值由層次聚類結果確定,其中s=1,2,…,n;
步驟三:提取最新衛星遙測數據中相鄰m+1個幅角突變點對應時間點之內的測試數據即待分類多維時間序列為X′={x′1,x′2,...,x′m},其中,m為大于0的正整數;
步驟四、計算出待分類的多維時間序列X′={x′1,x′2,...,x′m}與含有類別標簽的多維時間序列X={x1,x2,...,xj,...xn}之間的DTW距離序列
其中,dij的計算方式如下:
dij=DTWma(x'i,xj)
x'i表示X′的第i個序列,i=1,2,…,m;DTWma表示基于馬氏距離的DTW距離算法;DTW,dij為x'i與xj之間的基于馬氏距離的DTW距離;
步驟五、采用基于馬氏距離的DTW距離的KNN分類方法,根據設定的K近鄰數目對待分類的多維時間序列X′={x′1,x′2,...,x′m}進行分類,確定待分類的多維時間序列X′={x′1,x′2,...,x′m}的所屬類別L′={l′1,l′2,…,l′m},其中,K=1,2,…,n;所屬類別l'為1,2,L,c中確定的某個數;KNN為K最近鄰分類算法;即完成了一種基于馬氏距離DTW的多維時間序列分類方法。
發明效果
對衛星遙測數據進行分類是對衛星遙測數據進行數據挖掘的一項重要功能,在分類的基礎之上可以完成多種數據挖掘任務,比如模式識別、異常檢測等等。而衛星遙測數據有其自身特點,比如:參數多、維度高、存在漂移等,這些特點致使在針對衛星遙測數據的分類采用經典的時間序列相似性度量方法,如歐式距離、皮爾森相關系數等,體現出不適應性。經典的時間序列度量方法,不能排除多維時間序列之間的相關性影響,同時,針對時間序列存在微小偏移不能實現異步度量使得度量結果不夠準確,進而導致對衛星遙測數據的分類結果不夠準確。因此,需要應用更為合理的時間序列相似性度量方法。針對一些復雜或者特點不盡相同的衛星遙測數據,選取適當的時間序列相似性度量方法,可以確保 相應的模式挖掘取得更為良好的效果。各部分的具體發明效果如下:
本發明首先針對按照固定點對衛星遙測數據分段效果不理想的情況如圖3所示,提出了按照衛星遙測數據中的幅角突變點為標識進行分段的方法,其分段效果如圖4所示,以幅角為標識進行分段的分段結果更為緊湊,各個分段序列之間的耦合度更高、更為合理。
然后,采用基于馬氏距離的動態時間規整(Dynamic Time Warping,DTW)距離對多維衛星遙測數據時間序列之間的距離進行度量,排除了多維時間序列之間的相關性影響,實現異步度量,解決了由于時間序列存在微小偏移而使度量結果不夠確的問題。
最后,結合K最近鄰居(K-Nearest Neighbor,KNN)分類算法以及衛星遙測數據歷史多維時間序列對最新遙測多維時間序列進行分類,更好地實現了對衛星目前的運行狀態的判別。
附圖說明
圖1為背景技術提出的偏航姿態角序列示例示意圖;
圖2為背景技術提出的偏航姿態角序列細節變化示例示意圖;
圖3為具體實施方式一提出的采用固定點對衛星遙測數據分段的結果;
圖4為具體實施方式一提出的以幅角突變點為標識對衛星遙測數據分段的結果;
圖5為實施例提出的Wafer參量1示例示意圖;
圖6為實施例提出的Wafer參量2示例示意圖;
圖7為實施例提出的Wafer參量3示例示意圖;
圖8為實施例提出的Wafer參量4示例示意圖;
圖9為實施例提出的Wafer參量5示例示意圖;
圖10為實施例提出的Wafer參量6示例示意圖;
圖11(a)為實施例提出的衛星遙測數據維度1的第1類數據示意圖;
圖11(b)為實施例提出的衛星遙測數據維度1的第2類數據示意圖;
圖11(c)為實施例提出的衛星遙測數據維度1的第3類數據示意圖;
圖11(d)為實施例提出的衛星遙測數據維度1的第4類數據示意圖;
圖12(a)為實施例提出的衛星遙測數據維度2的第1類數據示意圖;
圖12(b)為實施例提出的衛星遙測數據維度2的第2類數據示意圖;
圖12(c)為實施例提出的衛星遙測數據維度2的第3類數據示意圖;
圖12(d)為實施例提出的衛星遙測數據維度2的第4類數據示意圖;
圖13(a)為實施例提出的衛星遙測數據維度3的第1類數據示意圖;
圖13(b)為實施例提出的衛星遙測數據維度3的第2類數據示意圖;
圖13(c)為實施例提出的衛星遙測數據維度3的第3類數據示意圖;
圖13(d)為實施例提出的衛星遙測數據維度3的第4類數據示意圖;
圖14(a)為實施例提出的衛星遙測數據維度1的第1類結果示意圖;
圖14(b)為實施例提出的衛星遙測數據維度1的第2類結果示意圖;
圖14(c)為實施例提出的衛星遙測數據維度1的第3類結果示意圖;
圖14(d)為實施例提出的衛星遙測數據維度1的第4類結果示意圖;
圖15(a)為實施例提出的衛星遙測數據維度2的第1類結果示意圖;
圖15(b)為實施例提出的衛星遙測數據維度2的第2類結果示意圖;
圖15(c)為實施例提出的衛星遙測數據維度2的第3類結果示意圖;
圖15(d)為實施例提出的衛星遙測數據維度2的第4類結果示意圖;
圖16(a)為實施例提出的衛星遙測數據維度3的第1類結果示意圖;
圖16(b)為實施例提出的衛星遙測數據維度3的第2類結果示意圖;
圖16(c)為實施例提出的衛星遙測數據維度3的第3類結果示意圖;
圖16(d)為實施例提出的衛星遙測數據維度3的第4類結果示意圖。
具體實施方式
具體實施方式一:本實施方式的一種基于馬氏距離DTW的多維時間序列分類方法,具體是按照以下步驟制備的:
步驟一:將衛星正常運行狀態下的歷史衛星遙測數據Y以幅角突變點為標識進行分段,得到正常多維時間序列X={x1,x2,...,xj,...xn},其中,Y為nd行na列的歷史衛星遙測數據矩陣,nd為多維時間序列的維度值,na為所有歷史衛星遙測數據的數據點數,xj為nd行nlen列數據矩陣表示X的第j個序列,j=1,2,…,n,nlen為時間序列長度,n為X中的成員數目;
步驟二、將分段后所得到的多維時間序列X={x1,x2,...,xj,...xn},通過層次聚類方法設定聚類目標類別數目為c對序列進行聚類操作,從而獲得多維時間序列的類別標簽L={l1,l2,…,ln};其中,c為大于1小于n的正整數,ls表示L序列的第s個元素,其取值由層次聚類結果確定,其中s=1,2,…,n;此處類別指定工作,其方法并不固定,能夠實現類別指定任何現有方法都可以,層次聚類方法是能夠實現類別指定的方法之一;
步驟三:提取最新衛星遙測數據中相鄰m+1個幅角突變點對應時間點之內的測試數 據即待分類多維時間序列為X′={x′1,x′2,...,x′m},其中,m為大于0的正整數;
步驟四、計算出待分類的多維時間序列X′={x′1,x′2,...,x′m}與含有類別標簽的多維時間序列X={x1,x2,...,xj,...xn}之間的DTW距離序列
其中,dij的計算方式如下:
dij=DTWma(x'i,xj)
x'i表示X′的第i個序列,i=1,2,…,m;DTWma表示基于馬氏距離的DTW距離算法;DTW(Dynamic Time Warping)是一種通過彎曲時間軸來更好地對時間序列形態進行匹配映射的相似性度量方法(現有理論),dij為x'i與xj之間的基于馬氏距離的DTW距離;
步驟五、采用基于馬氏距離的DTW距離的KNN分類方法,根據設定的K近鄰數目對待分類的多維時間序列X′={x′1,x′2,...,x′m}進行分類,確定待分類的多維時間序列X′={x′1,x′2,...,x′m}的所屬類別L′={l′1,l′2,…,l′m},其中,K=1,2,…,n;所屬類別l'為1,2,L,c中確定的某個數;KNN(K-Nearest Neighbor)為K最近鄰分類算法;即完成了一種基于馬氏距離DTW的多維時間序列分類方法。
本實施方式效果:
對衛星遙測數據進行分類是對衛星遙測數據進行數據挖掘的一項重要功能,在分類的基礎之上可以完成多種數據挖掘任務,比如模式識別、異常檢測等等。而衛星遙測數據有其自身特點,比如:參數多、維度高、存在漂移等,這些特點致使在針對衛星遙測數據的分類采用經典的時間序列相似性度量方法,如歐式距離、皮爾森相關系數等,體現出不適應性。經典的時間序列度量方法,不能排除多維時間序列之間的相關性影響,同時,針對時間序列存在微小偏移不能實現異步度量使得度量結果不夠準確,進而導致對衛星遙測數據的分類結果不夠準確。因此,需要應用更為合理的時間序列相似性度量方法。針對一些復雜或者特點不盡相同的衛星遙測數據,選取適當的時間序列相似性度量方法,可以確保相應的模式挖掘取得更為良好的效果。各部分的具體發明效果如下:
本發明首先針對按照固定點對衛星遙測數據分段效果不理想的情況如圖4所示,提出了按照衛星遙測數據中的幅角突變點為標識進行分段的方法,其分段效果如圖5所示,以幅角為標識進行分段的分段結果更為緊湊,各個分段序列之間的耦合度更高、更為合理。
然后,采用基于馬氏距離的動態時間規整(Dynamic Time Warping,DTW)距離對多維衛星遙測數據時間序列之間的距離進行度量,排除了多維時間序列之間的相關性影響,實現異步度量,解決了由于時間序列存在微小偏移而使度量結果不夠確的問題。
最后,結合K最近鄰居(K-Nearest Neighbor,KNN)分類算法以及衛星遙測數據歷史多維時間序列對最新遙測多維時間序列進行分類,更好地實現了對衛星目前的運行狀態的判別。
具體實施方式二:本實施方式與具體實施方式一不同的是:步驟一中幅角為衛星遙測數據的測試參量之一,幅角變化規律為從0°~360°依次遞增,具有明顯的周期性,幅角值由360°變為0°為幅角突變點。其它步驟及參數與具體實施方式一相同。
具體實施方式三:本實施方式與具體實施方式一或二不同的是:步驟一中將衛星正常運行狀態下的歷史衛星遙測數據Y以幅角突變點為標識進行分段,得到正常多維時間序列X={x1,x2,...,xj,...xn}具體過程為:
(1)當幅角達到360°后,則變為0°重新開始遞增,從360°變為0°這個點為幅角突變點;
(2)記錄幅角突變點的對應時間;
(3)根據幅角突變點對應的時間,提取相鄰兩個幅角突變點對應時間之內的測試數據為時間序列;其中多維時間序列是由多條時間序列組成;其中,測試數據為偏航姿態角、飛輪轉速和母線電壓。其它步驟及參數與具體實施方式一或二相同。
具體實施方式四:本實施方式與具體實施方式一至三之一不同的是:步驟四中計算出dij的具體過程為:
(1)計算待分類的多維時間序列各維度之間的協方差矩陣Ccov,其計算方式為:
Ccov=E{[Y-E(Y)][Y-E(Y)]T}
其中,Y為nd行na列的歷史衛星遙測數據矩陣么,E是表示計算期望值;
(2)基于馬氏距離的DTW距離即在兩條時間序列和之間尋找最優彎曲路徑來得到最小馬氏距離度量值DTWma(x'i,xj);采用馬氏距離進行計算得出d(pk),計算方式為:
d(pk)=DM(xiik,xjjk)=xiik-xjjk)TCcov-1(xiik,xjjk)]]>
在彎曲路徑中,存在一條最優路徑使得它的彎曲總代價最小,即:
DTWma(xi,xj)=minpΣk=1Kd(pk)]]>
其中,P={p1,p2,…,pK'}表示彎曲路徑,pk表示P的第k個成員,k=1,2,…,K',并用來表示x'i中的第i'個元素x'ii'k與xj中的第j'個元素xjj'k之間的對應關系i'=1,2,…,nlen,j'=1,2,…,nlen,d(pk)表示x'ii'k與xjj'k的彎曲代價;
(3)為了求解通過動態規劃來構造一個代價矩陣R(i',j'),即:
R(i',j')=d(i',j')+min{R(i',j'-1),R(i'-1,j'-1),R(i'-1,j')}
其中,R(0,0)=0,R(i',0)=R(0,j')=+∞;R(nlen,nlen)就是DTW度量時間序列x'i和xj的最小距離值,即得到DTWma(x'i,xj)=R(nlen,nlen)。其它步驟及參數與具體實施方式一至三之一相同。
具體實施方式五:本實施方式與具體實施方式一至四之一不同的是:步驟五中采用基于馬氏距離的DTW距離的KNN分類方法,根據設定的K近鄰數目對待分類的多維時間序列X′={x′1,x′2,...,x′m}進行分類,確定待分類的多維時間序列X′={x′1,x′2,...,x′m}的所屬類別L′={l′1,l′2,…,l′m}的過程為:
(1)確定與待分類的多維時間序列X′={x′1,x′2,...,x′m}中的各成員之間基于馬氏距離的DTW距離最小的K個含有類別標簽的多維時間序列,即在中,每行元素中取出K個最小的數值,確定這K個最小的數值對應的含有類別標簽的多維時間序列,對應的類別標簽為
(2)統計類別每行類別標簽中出現頻率最高的類別,即為分類的多維時間序列X′={x′1,x′2,...,x′m}的所屬類別為L′={l′1,l′2,…,l′m}。其它步驟及參數與具體實施方式一至四之一相同。
采用以下實施例驗證本發明的有益效果:
實施例:
針對Wafer數據集開展基于不同時間序列相似性度量方法的KNN分類仿真實驗,Wafer數據集共包含6個維度,各維度數據如圖5至圖10所示,其分類結果如表1所示。
表1針對Wafer數據集采用不同相似性度量方法的分類結果

通過實驗結果可以發現,傳統歐式距離的度量結果表現最差,而基于馬氏距離的DTW距離表現最好,其中當設定限制窗口長度為5時效果達到最佳準確率達到98.10%,相對于歐式距離的準確率提升了10.85%。
衛星遙測數據分類實驗:
針對衛星遙測數據開展基于不同時間序列相似性度量方法的KNN分類實驗,其中訓練樣本數為50,樣本包含三個維度其對應關系分別是:偏航姿態角對應維度1、飛輪轉速D對應維度2、母線電壓對應維度3,其總共分為4個類別各類別數據如圖11(a)~(d)至圖13(a)~(d)示,測試樣本為50,其分類結果如表2所示,圖14(a)~(d)、圖15(a)~(d)和圖16(a)~(d)為采用基于馬氏距離的DTW距離的KNN算法具體分類情況,其分類結果如表2所示。
表2針對衛星遙測數據采用不同相似性度量方法的分類結果

通過實驗結果可以發現,傳統歐式距離的度量結果依舊表現最差,而基于馬氏距離的DTW距離表現最好,其準確率達到98.00%,相對于歐式距離的準確率提升了4.35%.
本發明還可有其它多種實施例,在不背離本發明精神及其實質的情況下,本領域技術人員當可根據本發明作出各種相應的改變和變形,但這些相應的改變和變形都應屬于本發明所附的權利要求的保護范圍。

關 鍵 詞:
一種 基于 距離 DTW 多維 時間 序列 分類 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:一種基于馬氏距離DTW的多維時間序列分類方法.pdf
鏈接地址:http://www.rgyfuv.icu/p-6373614.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图