Time series data mining

Time sequence data mining usingtime–frequency analysisand soft computing techniques

Time series data processing for feature extractionความสามารถในการแยกจากแรงดันไฟฟ้าที่ดีที่สุด คือการแยกจากจุดกำเนิดผ่านการวิเคราะห์ช่วงความถี่ที่มีประสิทธิภาพ

ซึ่งหลักการนี้ S-transform ได้นำมาใช้ โดยที่ S-transform เกิดจากความล้ำหน้าของเครื่องประมวลผลสัญญาณ 2 ตัว คือ

Short Time Fourier Transform (STFT)

Wavelet transformShort Time Fourier Transform- S-transform ของเวลาที่สัญญาณแตกต่างกัน โดย h(t) จะได้เป็น - ที่ฟังก์ชัน w(t,f) จะสามารถแทนด้วย

Time series data processing for feature extractionและ (f) เป็นฟังก์ชันความถี่

ฟังก์ชันที่เป็นปกติเป็นTime series data processing for feature extractionความไม่ต่อเนื่องตาม (1) ที่ได้รับ คือ

ที่ G(m,n) = e -2π2m2α2/n2 และ H(m, n) ขยับตาม discrete Fourier transform (DFT) ของ h(k) ตาม n ดังนั้น H(m) จะเป็น Time series data processing for feature extractionStd1: ส่วนเบี่ยงเบนมาตรฐานของ contour ต่ำสุดไปสองครั้งความถี่พื้นฐานปกติ

Stdh: ส่วนเบี่ยงเบนมาตรฐาน ของฮิลแบร์ทการแปลงของสัญญาณ

Avg: เฉลี่ยค่าสัมบูรณ์ squared ของ S – matrix ที่ไปสามครั้งความถี่พื้นฐานTime series data processing for feature extractionCf: Max(A) + Min(A) Max(B) Min(B), เมื่อ A คือ amplitude กับเวลากราฟ ของ S – matrix สำหรับสัญญาณที่ไม่ถูกรบกวน และ B สำหรับสัญญาณที่ถูกรบกวน

THD: ความเพี้ยนของฮาร์โมนิรวมสัญญาณที่ N คือจำนวนจุดใน FFTTime series data processing for feature extractionStd2 (Cr): ส่วนเบี่ยงเบนมาตรฐานของ Cr, Cr ที่เป็น amplitude กับกราฟของ S -matrix สำหรับความถี่สูงกว่าสี่ครั้งความถี่พื้นฐาน; คุณลักษณะนี้จะ เรียกว่า Std.2

พลังงาน ของสัญญาณมอดูเลตจาก S – matrix ซึ่งสูตรทางสถิติคือส่วนเบี่ยงเบนมาตรฐาน Time series data processing for feature extraction

Analysis of power network signal time sequence

รูปแบบการเรียนรู้

การเรียนรู้เครือข่ายนิวรอนแบบเวกเตอร์ควอนไทเซชัน

LVQ classifierเป็นเครือข่ายสำหรับหลายอินพุตและหลายเอาท์พุตภายในเครือข่ายเดียวกัน

มีวิธีการเรียนรู้ทั้งแบบการเรียนรู้แบบมีผู้ฝึกสอนและไม่มีผู้ฝึกสอน

ขั้นตอนการเรียนรู้แบบไม่มีผู้ฝึกสอน, คล้ายกับการเรียนรู้แบบ KohonenInitializationกำหนดค่าเริ่มต้นให้กับเวกเตอร์น้ำหนักประสาทและค่าคงที่การเรียนรู้ เวกเตอร์น้ำหนักจะหาได้จากสูตรt = 0n = ขนาดของเวกเตอร์อินพุต

Samplingตัวอย่าง : สามารถที่จะดึงมาจากตัวอย่างตามรูปที่ 11 แสดงในกรณีนี้เป็นเวกเตอร์ได้ดังนี้ตัวอย่างรูปที่ 11 รูปกำลังไฟฟ้าไม่คงที่

Similarity matchingคำนวณหานิวรอนผู้ชนะ k จากความสัมพันธ์ได้โดยใช้ระยะทางยุคลิดเป็นทำซ้ำขั้นตอน (II) ซ้ำจนกว่าจะไม่มีการเปลี่ยนแปลงในค่าน้ำหนัก

การเรียนรู้ระยะที่สองจะใช้เทคนิค LVQ เพื่อเพิ่มประสิทธิภาพน้ำหนักด้วยวิธีดังนี้ระยะทางยูคลิเดียนแบบสั้นที่สุด

หาจุดศูนย์กลาง ( ) ของแต่ละ class

ชั้นที่มีระยะทาง Euclidian ต่ำสุดจากการทดสอบเวกเตอร์จะถูกเลือกเป็น class เพอร์เซ็ปตรอนหลายชั้น

หลักการทำงานของ MLPMultilayer perceptron เป็นหนึ่งในสถาปัตยกรรมเครือข่ายประสาทที่นิยมใช้ในปัจจุบัน ซึ่งมีความใกล้เคียงความเป็นสากล และเป็นมาตรฐานเมื่อเปรียบเทียบกับเครือข่ายประสาทอื่น ๆหลักการทำงานของ MLP ในแต่ละชั้นของชั้นซ่อนตัว (Hidden Layer) จะมีฟังก์ชันสำหรับคำนวณเมื่อได้รับสัญญาณ (Output) จากโหนดในชั้นก่อนหน้า เรียกว่า Activation Function โดยในแต่ละชั้นไม่จำเป็นต้องเป็นฟังก์ชันเดียวกันก็ได้

ทำการเลือกค่าของ Output ที่มีค่าสูงกว่า (Neuron ที่มีค่าสูงกว่า) และทำการปรับค่าของ Error ให้อยู่ในช่วงที่รับได้ (Error น้อยกว่า Error ที่เรากำหนด)หลักการทำงานของ MLP หลังจากให้ทำการรับข้อมูลชุดถัดไป แต่หากค่าของน้ำหนัก มากกว่าค่าที่ยอมรับได้ ให้ทำการปรับค่าน้ำหนักและ Biased ตามขั้นตอนที่ 2

ทำตามขั้นตอน 2 – 3 ซ้ำอีกรอบจนกระทั่งถึงข้อมูลชุดสุดท้าย

เมื่อทำข้อมูลชุดสุดท้ายเสร็จจะนับเป็น 1 รอบของการคำนวณ (1 Epoch)เครือข่ายเชื่อมโยงแนวรัศมีประสาท

จะมีเครือข่ายประสาทมากกว่า RBF ทั่วไปเพราะประกอบด้วยทั้งเชิงเส้นและไม่เชิงเส้นRBFLN เป็นเครือข่ายไปข้างหน้าประเภทหนึ่ง ที่ได้รับการยอมรับว่ามีประสิทธิภาพสูงเครือข่ายหนึ่ง เครือข่าย RBF แตกต่างไปจากเครือข่าย MLP ตรงที่เครือข่าย RBF นั้นมีชั้น hidden เพียงชั้นเดียว

RBFLN สามารถพิจารณาฟังก์ชั่นการส่ง (mapping function) ของความสัมพันธ์ระหว่างคู่รูปแบบอินพุตและเอาต์พุตได้ โดยการเรียนรู้ของเครือข่ายเป็นการปรับค่าน้ำหนักประสาทให้ได้ฟังก์ชันการส่งที่เหมาะที่สุดเพอร์เซ็ปตรอนหลายชั้นแบบคุมเครือ

ในงานนี้ มีการแก้ไขกระบวนการอินพุต fuzzification เพียงเล็กน้อย ขึ้นอยู่กับคุณลักษณะคุณสมบัติที่สามารถแบ่งพาร์ติชันในหลายพื้นที่ไม่จำเป็นต้องจำกัด อยู่ที่ขนาดเล็กกลางและสูง โดยใช้ฟังก์ชันสมาชิกทั่วไปเช่นฟังก์ชัน S สมาชิก, ฟังก์ชัน Z สมาชิก, ฟังก์ชันสมาชิก Gaussian หรือฟังก์ชันสมาชิกที่เห็นว่ามีประโยชน์รูปแบบการจำแนกข้อมูล

Rule generationเครือข่ายประสาทเทียมใช้ในการสร้าง if – then เพื่อหาเหตุผลถึงการตัดสินใจในทุกกระบวนการประเมินขั้นตอนเพื่อสร้างกฎสำหรับกระจายข้อมูลขั้นตอนที่ 1. เลือกชั้นซ่อนที่มีผลกระทบออกแทนค่าwjk > 0 (j = ชั้นที่แสดงผล, k = ชั้นที่ซ่อน)

ขั้นตอนที่ 2. > 0.5 โดยมีการเชื่อมโยงค่าน้ำหนักสะสมสูงสุดไปยังค่า Output ค่าของชั้นที่ซ่อนจะมากกว่า 0

ขั้นตอนที่ 3 กฎ If – then นั้นจะถูกสร้างจากค่า Input และค่า Output

ขั้นตอนที่ 4 ขั้นตอนที่ 1-4 เป็นการซ้ำทั้งหมดในส่วน vectors

ขั้นตอนที่ 5 ยกเลิกกฎทั้งหมดที่มีคุณสมบัติน้อยกว่าหนึ่งในสามออกมาก่อนRule generation ผลลัพธ์ของกฎได้จากค่า PJค่า Yj ที่เป็นผลลัพธ์ของ j รูปแบบที่ใช้เพื่อแสดงส่วนที่เป็นผลลัพธ์เป็น

กฎของการตัดสินใจสรุปข้อมูลที่มีความถี่สูงแสดง Output ข้อมูลความถี่สูง

Fuzzy set สำหรับความถี่สูง

กฎของการตัดสินใจสรุปข้อมูลที่มีความถี่ต่ำแสดง Output ของข้อมูลความถี่ต่ำ

Time series data mining

More Related Content

Viewers also liked (16)

Time series data mining