论文研究基于数据块的多变量时间序列相似性度量.pdf

针对现有经典的时序数据相似性度量方法共同主成分分析（CPCA）和二维奇异值分解（2DSVD）中存在无法保存时序数据集合中蕴涵的某些重要局部特征的问题，提出了基于数据分块方式的CPCA方法和2DSVD方法。该算法首先对原始多变量时间序列数据进行分块处理，然后对分块得到的子矩阵采用CPCA、2DSVD进行特征提取，从而得到代替原始模式的低维新模式，最后在低维空间中利用最小距离法构建分类器对多变量时间序列进行分类。EEG数据分类实验证明了所提方法的有效性。