基于粒子群优化的符号聚合近似信息内容加权
神经与进化计算
2013-12-09 v1 人工智能
摘要
受生物启发的优化算法近年来日益普及。其中最重要的算法之一是粒子群优化（PSO）。PSO 基于粒子群的群体智能。每个粒子探索搜索空间的一部分以寻找最优位置，并根据两个因素调整其位置：第一个是其自身经验，第二个是整个群体的集体经验。PSO 已成功用于解决许多优化问题。在本文中，我们利用 PSO 改进一种知名的时间序列数据表示方法——符号聚合近似（SAX）的性能。与其他时间序列表示方法一样，SAX 在表示时间序列时会导致信息丢失。本文利用 PSO 提出了一种新的 SAX 最小距离 WMD 以弥补这一问题。与原始最小距离不同，新距离根据时间序列不同片段的信息内容为其设定不同的权重。通过对不同时间序列数据集的实验，我们证明了这种加权最小距离提升了 SAX 的性能。
引用
@article{arxiv.1312.1752,
title = {Particle Swarm Optimization of Information-Content Weighting of Symbolic Aggregate Approximation},
author = {Muhammad Marwan Muhammad Fuad},
journal= {arXiv preprint arXiv:1312.1752},
year = {2013}
}
备注
The 8th International Conference on Advanced Data Mining and Applications (ADMA 2012)