استخراج ویژگیهای قابل تفسیر برای طبقه بندی اولیه درسریهای زمانی

دراین مقاله جهت بهبود استخراج ویژگیهای قابل تفسیر درپیش بینی سریهای زمانی ازروش براورد تراکم کرنل گوسی و خوشه بندی استفاده شده است به این صورت که ابتداداده های بزرگ به وسیله کلاسترینگ و به کمک روش K-means و شبکه عصبی RBF به تعدادی دسته های کوچک تقسیم میشوند و سپس به کمک براورد تراکم کرنل گاوسی Gaussian Kernel Density Estimation نمودار آن رسم میشود تا بتوان تفسیربهتری را ازویژگیهای داده های سری زمانی استخراج نمود با استفاده ازکلاسترینگ کردن داده ها زمان تفسیر و رسم نمودار برای استخراج ویژگیها کاهش می یابد و همچنین پیچیدگی الگوریتم کاهش می یابد

کلیدواژه ها:

سریهای زمانی ، خوشه بندی ، K-means RBF