时间序列早期分类的多分类器集成方法

山东大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (4): 73-78.

时间序列早期分类的多分类器集成方法

李小斌¹, 李世银²

1. 徐州师范大学计算机科学与技术学院, 江苏徐州 221116;
2. 中国矿业大学信息与电气工程学院, 江苏徐州 221008

收稿日期:2011-02-20 出版日期:2011-08-16 发布日期:2011-02-20
作者简介:李小斌(1977- ),男, 江苏东台人,讲师,博士研究生,主要研究方向为数据挖掘. E-mail: wb0817002@163.com
基金资助:
国家高技术发展研究计划(863计划)重点资助项目(2008AA062200);江苏省产学研联合创新资金资助项目(BY2009114);徐州师范大学校重点基金资助项目(10XLA13)

Ensemble learning of multi-classifier for early classification of time series

LI Xiao-bin¹, LI Shi-yin²

1. School of Computer Science and Technology, Xuzhou Normal University, Xuzhou 221116, China;
2. School of Information and Electrical Engineering, China University of Mining and Technology, Xuzhou 221008, China

Received:2011-02-20 Online:2011-08-16 Published:2011-02-20

摘要/Abstract

摘要：

为解决时间序列的早期分类问题,提出一种顺序子空间堆叠泛化(sequential subspace stacked generation， SSSG)的多分类器集成方法。该方法利用滑动窗口将时间序列划分成顺序子空间,采用多个一级分类器在顺序子空间上进行学习,输出各个子空间可能类别的概率,利用二级学习算法在这些概率结果上进行训练得到第二级的分类器。通过两级分类器可以判断已经出现部分特征的时间序列的类别,理论分析了影响分类性能的几个因素,仿真实验证明了本文算法的有效性。

关键词: 时间序列, 集成学习, 分类, 顺序子空间, 堆叠泛化

Abstract:

To solve the early classification for time series in some time-sensitive application area, an ensemble learning method named sequential subspace stacked generation (SSSG) was introduced. This method split time series into several sequential subspaces with slider windows. Multi first-layer classifiers were used on these sequential subspaces and label probability for these subspaces was generated. Then these probability results were input for the second layer classifier. The time series’ label could be predicated by the two-layer classifier. Experiment results showed that this method could both do early classification for time series and achieve higher classification accuracy than only one classifier.

Key words: time series, ensemble learning, classification, sequential subspace, stacked generation

李小斌1, 李世银2. 时间序列早期分类的多分类器集成方法[J]. 山东大学学报(工学版), 2011, 41(4): 73-78.

LI Xiao-bin1, LI Shi-yin2. Ensemble learning of multi-classifier for early classification of time series[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2011, 41(4): 73-78.

参考文献

相关文章 15

[1]	沈冬冬,周风余,栗梦媛,王淑倩,郭仁和. 基于集成深度神经网络的室内无线定位[J]. 山东大学学报(工学版), 2018, 48(5): 95-102.
[2]	张璞,刘畅,王永. 基于特征融合和集成学习的建议语句分类模型[J]. 山东大学学报(工学版), 2018, 48(5): 47-54.
[3]	曹雅,邓赵红,王士同. 基于单调约束的径向基函数神经网络模型[J]. 山东大学学报(工学版), 2018, 48(3): 127-133.
[4]	龙柏,曾宪宇,李徵,刘淇. 电商商品嵌入表示分类方法[J]. 山东大学学报(工学版), 2018, 48(3): 17-24.
[5]	谢志峰,吴佳萍,马利庄. 基于卷积神经网络的中文财经新闻分类方法[J]. 山东大学学报(工学版), 2018, 48(3): 34-39.
[6]	王婷婷,翟俊海,张明阳,郝璞. 基于HBase和SimHash的大数据K-近邻算法[J]. 山东大学学报(工学版), 2018, 48(3): 54-59.
[7]	陈嘉杰,王金凤. 基于蚁群算法求解Choquet模糊积分模型[J]. 山东大学学报(工学版), 2018, 48(3): 81-87.
[8]	王换,周忠眉. 一种基于聚类的过抽样算法[J]. 山东大学学报(工学版), 2018, 48(3): 134-139.
[9]	叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[10]	王磊,邓晓刚,曹玉苹,田学民. 基于MLFDA的化工过程故障模式分类方法[J]. 山东大学学报(工学版), 2017, 47(5): 179-186.
[11]	李素姝,王士同,李滔. 基于LS-SVM与模糊补准则的特征选择方法[J]. 山东大学学报(工学版), 2017, 47(3): 34-42.
[12]	何其佳,刘振丙,徐涛,蒋淑洁. 基于LBP和极限学习机的脑部MR图像分类[J]. 山东大学学报(工学版), 2017, 47(2): 86-93.
[13]	郭超,杨燕,江永全,宋祎. 基于多视图分类集成的高铁工况识别[J]. 山东大学学报(工学版), 2017, 47(1): 7-14.
[14]	何正义,曾宪华,曲省卫,吴治龙. 基于集成深度学习的时间序列预测模型[J]. 山东大学学报(工学版), 2016, 46(6): 40-47.
[15]	陈泽华,尚晓慧,柴晶. 基于混合Hausdorff距离的多示例学习近邻分类器[J]. 山东大学学报(工学版), 2016, 46(6): 15-22.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed