文摘
英文文摘
论文说明:图表目录
声明
致谢
第一章绪论
1.1研究背景
1.2时频分析方法回顾
1.2.1 Fourier变换及ZFFT变换
1.2.2短时傅立叶变换(STFT)
1.2.3小波变换
1.2.4 Wigner-Ville分布
1.3经验模态分解方法的提出和研究现状
1.4动态数据挖掘
1.4.1相似序列的查询问题
1.4.2时间序列中的知识发现
1.4.3时间序列的符号化
1.5本文工作内容与组织结构
第二章基于EMD的时频分析理论和算法
2.1引言
2.2 EMD方法的基本理论和算法
2.2.1 EMD方法的基本理论
2.2.2 EMD方法的完备性和正交性
2.3基于EMD的希尔伯特变换基本理论和算法
2.4基于EMD时频分析方法验证
2.5本章小结
第三章EMD中的端点问题
3.1引言
3.2端点问题的机理和影响
3.3已有的端点问题解决方法回顾
3.3.1神经网络延拓算法
3.3.2镜像延拓算法
3.4基于多项式拟合的端点问题处理方法
3.4.1基于多项式拟合的端点问题解决方法
3.4.2三种算法的比较
3.4.3结论
3.5本章小结
第四章EMD的改进与优化
4.1引言
4.2两种形成包络线的插值方法
4.2.1埃尔米特Hermite插值
4.2.2三次样条插值
4.2.3两种插值的比较
4.3利用样条插值获取包络线
4.3.1利用样条插值获取包络线
4.3.2实验
4.4基于极值点均值的EMD算法
4.4.1利用样条插值获取包络线存在的问题和已有的解决方法
4.4.2提出的样条插值存在问题的解决方法
4.4.3实验及结果分析
4.4.4结论
4.5本章小结
第五章动态数据挖掘中的时间序列匹配
5.1引言
5.2基于交叉覆盖算法的序列匹配算法
5.2.1引言
5.2.2前向神经网络交叉覆盖算法
5.2.3基于交叉覆盖算法的时间序列模式匹配
5.2.4实验
5.2.5结论
5.3基于EMD和覆盖算法的序列匹配算法
5.3.1引言
5.3.2基于EMD和覆盖算法的时间序列相似模式匹配算法
5.3.3实验
5.3.4结论
5.4本章小结
第六章动态数据挖掘中的聚类
6.1引言
6.2聚类相关研究
6.3利用EMD实现数据维度的约简
6.3.1常用的时间序列线性分段算法研究
6.3.2基于EMD的时间序列维度约简算法
6.4基于EMD和K-means算法的时间序列聚类方法
6.4.1引言
6.4.2 K-means算法
6.4.3基于EMD和K-means算法的时间序列聚类方法
6.4.4结论
6.5本章小结
第七章基于经验模态分解及动态数据挖掘的商务数据分析
7.1引言
7.2基于EMD和交叉覆盖算法的个人信用的评估
7.2.1个人信用评估的必要性与常用方法
7.2.2基于EMD和交叉覆盖算法的个人信用评估
7.3基于EMD和K-means算法的客户行为聚类
7.3.1交易数据聚类
7.3.2基于EMD和K-means算法的客户行为聚类
7.4本章小结
第八章总结与展望
8.1论文工作的总结
8.2展望
参考文献
在读期间参加的科研工作和发表论文情况