您当前所在位置: 首页 > 首发论文
筛选条件

时间

领域

全部

计算机科学技术(7)

数学(1)

电子、通信与自动控制技术(1) 显示更多>>

管理学(1) 中医学与中药学(0) 临床医学(0) 交通运输工程(0) 体育科学(0) 信息科学与系统科学(0) 农学(0) 冶金工程技术(0) 力学(0) 动力与电气工程(0) 化学(0) 化学工程(0) 图书馆、情报与文献学(0) 土木建筑工程(0) 地球科学(0) 基础医学(0) 天文学(0) 安全科学技术(0) 工程与技术科学基础学科(0) 心理学(0) 教育学(0) 机械工程(0) 材料科学(0) 林学(0) 核科学技术(0) 水产学(0) 水利工程(0) 测绘科学技术(0) 物理学(0) 环境科学技术(0) 生物学(0) 畜牧科学、动物医学(0) 矿山工程技术(0) 纺织科学技术(0) 经济学(0) 能源科学技术(0) 航空航天科学技术(0) 药学(0) 预防医学与卫生学(0) 食品科学技术(0)

学术评议

实时热搜榜

人工智能34124

SiC30715

基因22480

数据挖掘13397

数值模拟12093

我的筛选 >
2003-2021 全部
为您找到包含“Multivariate time series”的内容共10

郭小芳

2012-06-25

为提高多元时间序列聚类算法的效率,采用基于主元分析的多元时间序列聚类方法. 将原始MTS数据线性组合形成一系列互不相关的簇,利用每个簇的代表元素与剩余元素的前 个主元与之间的扩展Euclid范数对选取的多元时间序列的主元进行聚类分析。理论分析和实验结果表明该算法聚类质量结果和运行时间明显优于直接利用k-均值法时的聚类结果。

江苏省高校自然科学研究项目(10JKB520006

江苏科技大学计算机科学与工程学院,江苏 镇江 212003

#计算机科学技术#

0评论(0 分享(0)

王咏梅

2009-03-11

利用数据挖掘技术从长期观测的数据序列中发现蕴藏的规律是当前研究热点之一。相似性挖掘是时间序列挖掘的基础,本文提出了一种新的基于改进的BORDA计数的多元时间序列相似性查询方法。首先利用PCA对多元时间序列进行降元并获取每元主成分的方差贡献率作为权值,然后分别计算单序列的相似性,利用BORDA计数法分别积分,以BORDA得分乘以权值综合得到最终得分来衡量相似性。以宜丰洪水时间序列相似性研究为例,验证了提出方法的可行性和有效性。

河海大学

#计算机科学技术#

0评论(0 分享(0)

佘强,李静林

2017-11-27

多元时间序列分类问题是时间序列挖掘领域中的重要问题,目前的常规做法是使用基于欧氏距离或 DTW 距离的K近邻分类模型,或基于统计模型的特征提取方法,但仍然难以避免计算效率低、引入过多先验假设的问题,不具有普适意义。本文提出一种包含多通道的卷积神经网络结构,对不同的变量单独处理提取时间角度的特征,再通过后续的前馈全连接网络处理多维度之间的关系性特征。整体模型采取简单的梯度下降的方法进行训练。通过模型在UCR 数据集上的实验,表明该结构比常规的 K 近邻模型具有更好的多分类能力,且在泛化程度和训练速度上都胜于前馈全连接神经网络模型。

北京邮电大学网络与交换技术国家重点实验室,北京 100876,北京邮电大学网络与交换技术国家重点实验室,北京 100876

#计算机科学技术#

1评论(0 分享(0)

单傲,闫丹凤

2019-11-29

多变量时间序列数据在日常生活中分布广泛,并且在很多领域中得到广泛研究。但是其中仍然存在着一些挑战,比如提取时间序列内部的短期和长期依存关系、捕获序列中的多种周期模式。本文提出了聚类卷积递归神经网络来应对其中的种种问题。经过多变量时间序列聚类之后,模型分别使用卷积递归神经网络与展平卷积递归神经网络来提取不同聚类类别之间与类别内部的差异性与相似性,并且组件中同时使用注意力机制和多个卷积层来捕获序列中不同的周期性模式。本文中提出的模型在各种数据集上的效果都取得了显着改善且具有很高的实用性,所有实验结果将在稍后的论文中展示。

国家重点研发项目(2018YFC0831500

国家自然科学基金(61972047

北京邮电大学网络技术研究院,北京 100876,北京邮电大学网络技术研究院,北京 100876

#计算机科学技术#

0评论(0 分享(0)

孟毅

2006-10-24

转移函数模型是一类多变量时间序列模型,它在表达系统动态影响机制方面有着独到的优势。本文将转移函数模型应用于我国粮食产量的预测,并且与ARIMA模型进行了比较分析,说明了回归项的引入有利于提高模型的拟合效果。

辽宁工程技术大学

#管理学#

0评论(1 分享(0)

周畅,罗汉

2021-04-29

本文针对时间序列数据的一般形状,而不是点对点的函数比较,定义了基于适应成本导数的动态时间弯曲度量,通过将多元时间序列按变量纵向排列把每个变量中数值列作为向量看待,运用AC-DDTW度量多元时间序列间的相似性;结合k中值算法对时间序列进行异常检测,模拟实验表明,该算法可以有效识别一般形状的时间序列。

湖南大学数学学院,长沙 410082,湖南大学数学学院,长沙 410082

#数学#

0评论(0 分享(0)

王淞鹤,郭燕慧

2021-03-08

恶意代码检测是android恶意应用检测中的重要一环,用于对可疑应用进行代码研判和危害性判定。该环节通常需要安全人员进行手动分析并定位恶意代码。为了解决分析过程繁琐的问题,本文提出一种基于运行时特征的Android恶意代码检测方法,针对应用程序运行过程中的敏感API调用与用户意图间的关系检测恶意行为并定位恶意代码。该方法根据触发条件将恶意行为分为主动触发类和被动触发类,通过收集的应用运行时信息构建行为-意图预测模型和多元时间序列作为恶意行为检测方法。本文对标记的602个恶意应用进行测试,恶意代码检测精确率为90.54%,实验结果表明,该方法可以有效检测出恶意行为并定位恶意代码位置。

School of Cyberspace Security, Beijing University of Posts and Telecommunications, Beijing, 100876,School of Cyberspace Security, Beijing University of Posts and Telecommunications, Beijing, 100876

#计算机科学技术#

0评论(0 分享(0)

王锴烨,许方敏

2019-04-01

在工业领域,机械设备在运行过程中不可避免地会磨损。随着损失的累积,设备发生故障的概率越来越大。因此,如果能够准确预测设备的剩余使用寿命(RUL),就可以及时对设备进行维护,避免设备故障引起的停机时间,大大提高企业的生产效率。独立递归神经网络(IndRNN)作为递归神经网络(RNN)的一种变体,在序列MNIST分类、语言建模等方面均优于传统的递归神经网络,但尚未引起业界的广泛关注。本文旨在利用IndRNN对涡扇发动机的健康退化进行研究,并对其剩余使用寿命(RUL)进行准确预测,这不仅有效地解决了梯度爆炸和消失的问题,而且增加了神经网络的可解释性。在工业实际应用中,它还可以与高频采样传感器匹配,处理较长的时间序列。结果表明,IndRNN在RUL估计方面明显优于传统机器学习方法以及CNN和LSTM等深度学习算法。

北京邮电大学信息与通信工程学院,北京邮电大学信息与通信工程学院

#计算机科学技术#

0评论(0 分享(0)

李昊展,赵成林

2020-03-18

Massive-MIMO技术一直是通信领域研究的热点。理论上来说,接收机和发射机配备的天线越多,传播信道可以提供的自由度越大,在数据速率或链路可靠性方面的性能就更好,同时能够提高频谱利用率、功率效率以及通信的稳定性和可靠性。SVD(Singular Value Decomposition, SVD)分解在预编码过程中起着重要的作用,在信道矩阵维度较低的情况下,传统的预编码算法有较好的效果。但在Massive-MIMO系统信道矩阵维度较高的情况下,会出现运算复杂度较高,不能满足实时处理要求等问题。本文针对上述问题,提出了基于伪骨架采样的预编码SVD复杂度优化技术,利用大规模天线阵列空间相关性带来的信道矩阵低秩特性来降低SVD分解复杂度。利用伪骨架分解理论,提出一种具有近似线性复杂的SVD分解方法,大幅降低了预编码过程中SVD分解复杂度。

北京邮电大学信息与通信工程学院,北京 100876,北京邮电大学信息与通信工程学院,北京 100876

#电子、通信与自动控制技术#

0评论(0 分享(0)

闫献龙,李静林

2018-01-22

在应用性能管理系统中,系统未来的负载情况对运维调度有重要的指导意义。在云计算环境下,弹性伸缩计算能力为调整系统规模提供了可能,根据系统将来的负载情况可以提前做出相应的调整:可以在负载加重前扩展好集群,保证服务质量;在负载降低之后若预测一定时间内没有负载加重的情况,则可以及时缩减集群规模,降低企业运营成本。在金融领域,ARIMA模型是常用的时序预测模型,但其应用需要人工介入分析时序的平稳性,调参过程过于复杂。近年来神经网络技术的发展带动了人工更智能技术的发展,本论文设计并测试了ANN、RNN、GRU、LSTM等神经网络的负载预测的效果。实验结果表明LSTM网络预测精准且表现稳定,是系统负载预测的理想模型。

北京邮电大学网络技术研究院,北京 100876,北京邮电大学网络技术研究院,北京 100876

#计算机科学技术#

0评论(0 分享(0)