基于最大熵投票模型的时间序列无监督分割  

Unsupervised Segmentation of Time Series Based on Max Entropy Voting Model

作　　者：孙焘[1] 冯林[1] 郑虎[1] 高成锴[1] 

机构地区：[1]大连理工大学创新实验学院,大连116024

出　　处：《计算机工程》2009年第22期26-28,共3页Computer Engineering

基　　金：国家自然科学基金资助项目(60773213);辽宁省自然科学基金资助项目(20071092)

摘　　要：通过高维时间序列分割可以创建高级符号表示。提出一种针对高维时间序列的无监督分割算法,用于解决高维数据符号化的预处理问题。该算法实现对高维数据的聚类,应用最大熵投票模型进行序列分割。实验结果表明,其平均查全率和查准率分别为0.86和0.88,且整体性能优于主成分分析算法和概率主成分分析算法。Through the high-dimension segmentation, the high-level symbol expression can be created. This paper proposes an unsupervised segmentation algorithm for high-dimension time series. This method can solve the pretreatment problem of high-dimension symbolization. It realizes the clustering of high-dimension data, and uses max entropy voting model to do series segmentation. Experimental results show that the algorithm＇s average recall ratio and precision ration are respectively 0.86 and 0.88. Its whole performance is better than Principal Component Analysis（PCA） algorithm and Probability Principal Component Analysis（PPCA） algorithm.

关 键 词：最大熵投票模型 k-mean聚类 高维时间序列 无监督分割 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]