基于双神经网络的时间序列相似度测量
分类:365bet官网 ribo88 热度:

简介:对于时间序列分类之类的数据挖掘,基于类别的不同数据集的相似性表现非常不同,因此合理有效地度量相似性非常重要。用于数据挖掘。
诸如欧几里得距离,类星体距离和时间动态变形之类的传统方法仅计算数据本身的相似性公式,而忽略了不同数据集中知识注释对相似程度的影响。
为了解决这个问题,提出了一种基于双神经网络的时间序列相似性度量学习方法。
该方法学习样本标签监视信息数据之间的邻域关系,并建立时间序列之间的有效距离度量。
在UCR提供的时间序列数据集上进行的相似性测量和确认分类实验的结果表明,与ED / DTW-1NN相比,SNN大大提高了分类质量。
在某些数据中,邻居动态分类(DTN)1邻居(1NN)优于基于SNN 1NN的分类,但由于计算相似度的复杂性和分类过程的速度,SNN优于DTW。是的
可以看出,该方法可以大大提高对分类数据集相似度的测量效率,在对复杂的高维时间序列数据进行分类中具有优异的性能。


上一篇:阳阳的影响和影响 下一篇:什么是成语?
热门排行
精彩图文