基于ICA的时间序列聚类方法及其在股票数据分析中的应用

时间序列聚类分析是时间序列数据挖掘中的重要任务之一，通常由于时间序列数据的特殊结构，导致一般的聚类算法不能直接应用于时间序列数据。本文提出了一种基于独立成分分析与改进^一均值算法相结合的时间序列聚类算法，该算法首先利用独立成分分析对时间序列数据进行特征提取，然后利用改进￡．均值聚类算法完成对时间序列特征数据的聚类分析，从而得到了一种新的基于特征的时间序列聚类方法。为了验证该方法的有效性和可行性，将其应用于实际的股票时间序列数据聚类分析中，取得了较好的数值结果。     

基于ICA的时间序列聚类方法及其股票数据分析中的应用

时间序列聚类分析是时间序列数据挖掘中的重要任务之一,通常由于时间序列数据的特殊结构,导致一般的聚类算法不能直接应用于时间序列数据.本文提出了一种基于独立成分分析与改进K-均值算法相结合的时间序列聚类算法,该算法首先利用独立成分分析对时间序列数据进行特征提取,然后利用改进K-均值聚类算法完成对时间序列特征数据的聚类分析,从而得到了一种新的基于特征的时间序列聚类方法.为了验证该方法的有效性和可行性,将其应用于实际的股票时间序列数据聚类分析中,取得了较好的数值结果.     

ATM交易状态特征分析与异常检测

考虑ATM交易过程当中产生的一系列参数,如交易量、交易成功率和响应时间等,对交易状态特征进行分析并建立了异常检测模型。针对成功率与响应时间2个参数,利用聚类算法将数据点划分为正常点、疑似异常点、异常点3大类。对于疑似的异常点,再根据其时间序列周围点的分布情况确定是否确实为异常点;对于交易量参数,首先通过LOF局部离群因子对离群点进行识别,再结合交易量随时间的移动均线及标准差加以辅助筛选,得到初步的疑似异常点,进一步通过与不同天同一时刻数据进行比较,最终确定是否为异常点。根据上述模型,本文将异常情况划分为3个预警等级,并对重大故障情况进行预测。     

基于主成分分析的单变量时间序列聚类方法

针对时间序列数据的高维特性,在进行理论分析的基础上,利用主成分分析法提出了一种单变量时间序列数据降维的新方法,进而提出了基于主成分分析的单变量时间序列聚类方法。其主要思想是在线性空间中的同一组基下,用系数之间的相似性来刻画对应时间序列之间相似性,在理论分析过程中,首先对单变量时间序列数据集进行主成分分析,其次分析了单变量时间序列数据集、样本协方差矩阵的特征向量与主成分之间的关系,并证明了由主成分构成的向量组线性无关。为了进一步验证理论分析结果的正确性和所提算法的有效性,分别利用仿真数据和真实的股票数据进行了数值实验。     

基于多尺度局部结构约束的特征点匹配算法

对于含有重复模式较多、低重叠区域的图像,特征匹配时会存在离群点较多及伪同构等问题,从而影响匹配的精度.为了提高匹配算法的精度和鲁棒性,本文提出了一种基于多尺度局部结构相似性的特征点匹配算法(MLSS).首先定义局部结构相似性度量方法,即多尺度近邻结构相似性及多尺度局部拓扑结构相似性.基于局部结构相似性,构造特征匹配模型,并采用确定性退火思想去除离群点,实现特征点集的精确和快速的匹配.使用Daisy数据集、VGG数据集和航空遥感数据集中的22组典型数据对算法的性能进行验证,匹配结果显示,该算法的精度和鲁棒性优于其他四种经典的特征匹配方法.     

面向全局优化基于分形的混合混沌优化算法

Julia集具有分形结构,一旦确定吸引域边界上任一点,就可通向任一个吸引周期点的吸引域.Newton-Raphson法利用此性质可计算方程所有根,并可精确计算BFGS法和共轭梯度法中下降方向步长,将两种算法分别与混沌优化算法结合,因而从新的视角建立一种融合分形理论的混合混沌优化算法.研究表明,所提出算法的计算效率高于利用Wolf一维不精确搜索求得步长的混合算法,而且混合混沌BFGS算法的优化能力优于混合混沌共轭梯度算法,也说明BFGS的局部搜索能力比共轭梯度法强.     

小波分析方法在金融股票数据预测中的应用

利用小波分析预测方法对金融数据—股票收盘价这一典型的非平稳时间序列进行预测.使用M a llat小波分解算法对数据进行分解,对分解后的数据进行平滑处理,然后再进行重构,而重构之后的数据就成为近似意义的平稳时间序列,这样就得到了原始数据的近似信号,再应用传统时间序列预测方法对重构后的数据进行预测,将预测结果与实际值,以及和传统预测方法预测结果比较,小波分析方法预测效果更为理想.     

图模式挖掘中的子图同构算法

图模式挖掘问题在Web挖掘、生物信息学、社会关系等众多领域有广泛的应用,它涉及到子图的搜索以及子图的同构问题.这两个问题都具有相当高的计算复杂度,现有的子图同构问题大多采用最小编码算法,但对无标签图特别是对无标签无向图,该算法效率较底,从而子图的同构成为图模式挖掘问题的一个瓶颈.针对无标签图,以代数理论为基础,分别利用度序列和特征值构造了两种子图同构算法,用于对有向图和无向图的同构判别.最后对2个真实生物网络进行了仿真实验,结果表明,算法的效率优于现有算法.     

基于标度理论的股指时间序列相似性分析

股指时间序列的相似性分析是当前金融学研究的热点之一。为了提高股指时间序列相似性分析的准确度,从标度不变性、多重分形及波动聚集性三个层面定义了标度理论的度量指标,并基于此对股指序列进行表示。将分割后的每一序列子区间看作时间点,则分割、表示后的不同股指序列构成一个多指标的面板数据。基于面板数据特征及指标相对重要性,提出了一种新型的多指标面板数据相似性度量函数——复合距离函数,用以度量股指时间序列的相似性。聚类结果表明,相较于其他两种方法,基于标度理论和复合距离函数的相似性度量方法能够显著提高相似性度量的准确度,同时具有较强的稳健性。     

复合凸优化的快速邻近点算法

在大数据时代,随着数据采集手段的不断提升,大规模复合凸优化问题大量的出现在包括统计数据分析,机器与统计学习以及信号与图像处理等应用中.本文针对大规模复合凸优化问题介绍了一类快速邻近点算法.在易计算的近似准则和较弱的平稳性条件下,本文给出了该算法的全局收敛与局部渐近超线性收敛结果.同时,我们设计了基于对偶原理的半光滑牛顿法来高效稳定求解邻近点算法所涉及的重要子问题.最后,本文还讨论了如何通过深入挖掘并利用复合凸优化问题中由非光滑正则函数所诱导的非光滑二阶信息来极大减少半光滑牛顿算法中求解牛顿线性系统所需的工作量,从而进一步加速邻近点算法.