基于分段正交多项式分解的时序数据最近邻分类方法技术

本发明专利技术公开了一种基于分段正交多项式分解的时序数据最近邻分类方法，首先，基于时间序列编码识别转折点，将时间序列切分为包含完整波动趋势的子序列；然后，利用第一类切比雪夫多项式分解子序列，提取切比雪夫系数作为子序列特征，构造子序列特征向量；最后，在最近邻分类器中，以基于局部模式匹配的动态规划算法作为距离度量函数实现分类。本发明专利技术在分类精度和分类效率方面都以较大的程度优于其他最近邻分类器，在人们的日常活动和工业生产中可发挥重要作用，如在金融交易、交通监管、空气质量和温度监测、工业流程监控、医疗诊断等应用中，对大规模采样数据或高速动态数据流进行分类、预测、异常检测、在线模式识别等处理。

【技术实现步骤摘要】

本专利技术涉及数据库、数据挖掘、机器学习、信息检索等领域，尤其涉及时间序列数 据分析和挖掘。
技术介绍
时间序列广泛存在于人们的日常生活及工业生产中，如基金或股票的实时交易数 据，零售市场的日销量数据，流程工业的传感器监测数据，天文观测数据，航空航天雷达、卫 星监测数据，实时天气温度及空气质量指数等。为了充分利用海量的时序数据，工业界通常 需要对其做分类处理，才能从中发现有价值的信息和知识。因此，时间序列分类方法在工业 界有着广泛的应用需求。目前，工业界常用的分类器有人工神经网络、支持向量机、朴素贝叶斯分类器、最 近邻分类器等。人工神经网络是由大量处理单元互联组成的非线性模型，通过调整内部节 点的互联关系，分析掌握输入输出数据之间的潜在规律，实现为新数据推算结果。该方法具 有较强的自学习和自适应能力，但缺少对推理过程的解释能力。支持向量机是在高维空间 中寻找一个最优超平面，在保证分类精度的前提下，使超平面两侧的空白间距最大化。理论 上支持向量机可对线性可分数据做最优划分，但是却只能处理二分类问题。朴素贝叶斯分 类器是基于贝叶斯公式，利用对象的先验概率计算其所属类别的后验本文档来自技高网...

【技术保护点】
一种基于分段正交多项式分解的时序数据最近邻分类方法，其特征在于，包括以下步骤：（1）自适应性分段，具体包括以下子步骤：（1.1）依次读取数据库的每条时间序列T；（1.2）对时间序列T做Z‑规范化处理，得到规范化的时间序列T'；（1.3）对规范化的时间序列T'做移动平滑处理，得到平滑时间序列T；（1.4）基于滑动窗口依次截取T的相邻3点，并计算平均值，通过判断各点与平均值的大小关系对其编码，得到T的编码序列CT，并定义转折模式表TP_table；（1.5）顺序扫描CT，对每对相邻编码组合查询TP_table中的转折模式，如果模式匹配，则将该编码组合所在位置作为分段点；（1.6）扫描完毕，将T分为...

【技术特征摘要】

【专利技术属性】
技术研发人员：蔡青林，陈岭，孙建伶，陈蕾英，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33