[发明专利]一种基于分段统计特征距离的聚类方法

摘要

本发明公开了数据压缩领域的一种基于分段统计特征距离的聚类方法，步骤一：将分段统计距离作为相似性度量；步骤二：通过k‑中心点聚类算法生成模式模板；步骤三：从聚类结果的性能中提取学习最优权重向量Wopt，并引入宏‑F1指标作为聚类一个性能度量指标，将最优的决定权重值的问题转化为有约束的最优化问题。本发明提供的一种基于分段统计特征距离的聚类方法能可以用于提升聚类的效果，使得反映电器相似工作状态的子序列可以被聚类到一起。并且，相比于基于DTW和DDTW的相似性度量，基于分段统计距离的相似性度量在模式发现方面有显著的效果提升。

主权项

1.一种基于分段统计特征距离的聚类方法，其特征在于：包括步骤一：将分段统计距离作为相似性度量；从子序列中提取均值、线性拟合斜率和持续时间作为特征向量，通过加权欧几里德距离对提取的不同特征向量进行相似度匹配，并通过权重向量区别不同特征向量的表现度，使分段统计距离对有效信息敏感；步骤二：通过k‑中心点聚类算法生成模式模板；给定分段时间序列以及少量标记的子序列并将子序列作为标记样本，通过聚类算法利用标记样本初始化聚类中心从而输出预测的聚类分区以及最终相应的聚类中心cc；步骤三：从聚类结果的性能中提取学习最优权重向量W^opt，并引入宏‑FI指标作为聚类一个性能度量指标，将最优的决定权重值的问题转化为有约束的最优化问题。