用于时间序列分类与聚类的广义时间扭曲不变字典学习
机器学习
2023-07-03 v1 机器学习
摘要
字典学习是时间序列数据模式识别与分类的有效工具。在各种字典学习技术中，动态时间扭曲（DTW）常用于处理时间延迟、缩放、变换以及许多其他类型的时间失配问题。然而，DTW 因其对齐时间序列数据的离散性而存在过拟合或信息丢失。为解决此问题，我们在本文中提出一种广义时间扭曲不变字典学习算法。我们的方法具有一个广义时间扭曲算子，其由连续基函数的线性组合构成以促成连续时间扭曲。所提算子与字典学习的结合被表述为一个优化问题，其中采用块坐标下降法联合优化扭曲路径、字典与稀疏系数。优化结果随后用作超空间距离度量以输入分类与聚类算法。通过与多种基准方法比较，所提方法在字典学习、分类与聚类方面的优越性通过十组公共数据集得到验证。
引用
@article{arxiv.2306.17690,
title = {Generalized Time Warping Invariant Dictionary Learning for Time Series Classification and Clustering},
author = {Ruiyu Xu and Chao Wang and Yongxiang Li and Jianguo Wu},
journal= {arXiv preprint arXiv:2306.17690},
year = {2023}
}