1、時(shí)序數(shù)據(jù)普遍存在于許多重要應(yīng)用領(lǐng)域，其中大多數(shù)問題的解決可歸屬為時(shí)序數(shù)據(jù)挖掘問題，時(shí)序分類是時(shí)序數(shù)據(jù)挖掘的重要研究?jī)?nèi)容之一。衡量分類性能好壞的一個(gè)重要指標(biāo)是分類準(zhǔn)確率，而提高分類準(zhǔn)確率的方法主要有兩種:一是改進(jìn)分類器;二是改進(jìn)時(shí)序分類特征提取方法。針對(duì)時(shí)序分類問題，通過(guò)改進(jìn)分類特征提取方法來(lái)提高分類準(zhǔn)確率，提出一種多方法融合的時(shí)序分類特征提取方法，應(yīng)用多個(gè)仿真實(shí)驗(yàn)驗(yàn)證了該方法的性能，并將其應(yīng)用于不同領(lǐng)域的時(shí)序分類問題中，提高了時(shí)序分類問

2、題的分類準(zhǔn)確率。
　　在對(duì)時(shí)序數(shù)據(jù)特點(diǎn)深入分析的基礎(chǔ)上，將小波、分形和統(tǒng)計(jì)三種方法相結(jié)合，提出一種多方法融合的時(shí)序分類特征提取方法。首先應(yīng)用小波對(duì)原始時(shí)序數(shù)據(jù)去噪，并對(duì)去噪重構(gòu)后的時(shí)序數(shù)據(jù)進(jìn)行分解，計(jì)算各尺度空間上的平均高頻系數(shù)構(gòu)成特征向量作為第一部分時(shí)序分類特征;然后在多尺度下對(duì)去噪重構(gòu)后的時(shí)序數(shù)據(jù)進(jìn)行多重分形分析，依據(jù)具體時(shí)序數(shù)據(jù)的特點(diǎn)和分類的需要，提取相關(guān)多重分形譜參數(shù)作為第二部分時(shí)序分類特征;再次根據(jù)不同領(lǐng)域時(shí)間序列的特點(diǎn)

3、，提取相關(guān)時(shí)序統(tǒng)計(jì)特征作為第三部分時(shí)序分類特征;最后對(duì)上述小波、分形、統(tǒng)計(jì)方法提取的特征進(jìn)行綜合分析，結(jié)合時(shí)序的自身特點(diǎn)和實(shí)驗(yàn)結(jié)果，選擇確定最終的時(shí)序分類特征。
　　其次，通過(guò)不同領(lǐng)域時(shí)序分類數(shù)據(jù)的仿真實(shí)驗(yàn)驗(yàn)證了該方法的性能。使用UCI數(shù)據(jù)集中的Japanese Vowels數(shù)據(jù)和Synthetic Control數(shù)據(jù)分別進(jìn)行仿真實(shí)驗(yàn)，通過(guò)與其他特征提取方法的多角度比較分析，驗(yàn)證了本文方法的有效性和優(yōu)越性。
　　最后，對(duì)多方

4、法融合特征提取在不同時(shí)序分類中的應(yīng)用進(jìn)行研究，將該方法應(yīng)用于不同時(shí)序問題，驗(yàn)證了該方法在不同時(shí)序分類問題中的實(shí)用性和優(yōu)越性。將該方法應(yīng)用于EEG信號(hào)分類，對(duì)來(lái)自科拉羅多州發(fā)布的EEG腦電信號(hào)分類問題展開研究，通過(guò)與以往使用相同數(shù)據(jù)進(jìn)行特征提取的分類結(jié)果比較，說(shuō)明了該方法在所有分類下的分類準(zhǔn)確率均明顯高于以往方法的分類準(zhǔn)確率;同時(shí)與其他兩種方法結(jié)合進(jìn)行特征提取的分類結(jié)果對(duì)比，從結(jié)果可見，使用該方法進(jìn)行EEG分類特征提取在所有分類下的分類結(jié)