基于连续密度隐马尔可夫的时间序列分类算法

摘要：

针对数据挖掘过程中对异常数据检测的准确率较低、分类速度较慢,导致数据分类准确率较低、效率较差的问题,提出基于连续密度隐马尔可夫的时间序列分类算法.构建时间序列变化趋势分割点目标函数,利用贪婪搜索法求解时间序列分段值,提取序列变化趋势特征得到数据主要信息,提升数据分类的准确性;改进帧内特征表达准确性,使用因子分析矩阵高斯分布建立连续密度隐马尔可夫模型,提高时间序列分类速度;采用平稳子空间分析法把数据划分为平稳子空间和非平稳子空间,运用相对熵权衡平稳子空间分布相似度,实现时间序列精准分类.仿真结果表明,所提方法分类正确率较高、计算速度快且鲁棒性好,可以满足真实场景下数据分析需求.

关键词：时间序列分类、隐马尔可夫模型、因子分析、相对熵、连续密度

所属期刊栏目：38

分类号：TP353(计算技术、计算机技术)

在线出版日期：2021-03-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：291-294