数据挖掘中适用于分类的时序数据特征提取方法.pdf

计算机系统应用http://www.c-s-a.org.cn2012年第21卷第10期①数据挖掘中适用于分类的时序数据特征提取方法林珠1邢延21(广东省计算中心广州510033)2(广东工业大学自动化学院广州510006)摘要:特征提取在提高分类的准确性中起着非常关键的作用.对时序特征提取的方法进行归纳分类将有利于对特征提取整体性全面性的认识.回顾现有的时间序列中特征提取的方法将其总结为四大类它们分别是基于基本统计方法的特征提取、基于模型的特征提取、基于变换的特征提取、基于分形维数的特征提取.针对每一类的特征提取方法进一步研究了它相应的分类方法和它在时间序列数据中的应用邻域.关键词:时序数据;分类;特征提取SurveyofFeatureExtractionApproachesforTimeSeriesClassificationLINZhu1XINGYan21(GuangdongComputerCenterGuangzhou510033China)2(GuangdongUniversityofTechnologyGuangzhou510006China)Abstract:Themaincontributionsofthispaperare:1)Themainfeatureextractionapproachesareclassifiedintofourcategories;2)Themainideaofeachcategoryisanalyzedtheadvantagesanddisadvantagesarepointedout;3)Theguidelinesofchoosingsuitablefeatureextractionapproachissuggested.Keywords:timeseries;classification;featureextraction1引言购买信息识别不同的消费群体等等.时序数据(timeseriesdata)广泛存在于现实生活中衡量分类技术优劣的核心指标是分类准确率而是指同一种现象在不同时间上的相继观察值排列而成提高分类准确率途径有两种:一是改进分类器;二是的一组数字序列其时间轴上的采样值通常又被称为采用特征提取技术(featureextraction).特征提取是在特征[1].时序数据普遍存在于许多重要应用邻域比分类前对数据时间采样值上进行适量的归约以达到如DNA序列、金融数据、传感器网络监控数据、移动减少数据量同时提高分类准确率(底线是不牺牲分类对像跟踪数据、机器故障检测数据等等.