周晓园，余旌胡

(武汉理工大学 理学院，湖北 武汉 430070)



基于平稳子空间分析和相对熵的分类算法

周晓园，余旌胡

(武汉理工大学 理学院，湖北 武汉 430070)

针对多维时间序列维数多、变量间关系复杂的特点，提出了一种基于平稳子空间分析和相对熵的分类算法。首先，利用平稳子空间分析法将多维数据分离为平稳子空间和非平稳子空间；其次，利用相对熵衡量平稳子空间的分布相似性；最后，进行真实数据集的分类。研究结果表明：平稳子空间分析和相对熵分类算法优于DTW算法和PCA-ED算法。

多维时间序列；平稳子空间分析；相对熵；分类算法

0　引言

多维时间序列在日常生活中普遍存在，其分类研究广泛应用于遥感图像分类[1]、电脑图分析[2]和航空机械设备的质量评估[3]等领域中。因此，研究多维时间序列分类具有重大的现实意义。由于多维时间序列具有维数多和变量间关系复杂的特点，文献[4]基于动态时间规整(dynamic time warping，DTW)的动态算法对多维时间序列进行了分类。DTW算法的缺点是运算量大、耗时长且匹配效果对端点的选择过于依赖[5]。文献[6]采用主成分分析(principal component analysis，PCA)对原始样本进行降维，然后借助欧氏距离(Euclid distance，ED)将测试样本归入与其最近的类别中，减少了冗余信息造成的误差，提高了分类精度。由于PCA计算简单且能保留原始变量的重要信息，因此被应用于人脸识别[7]和文本特征提取[8]等方面。PCA的缺点是需要很大的存储空间和计算复杂度，且要求有足够多的样本点[9]。

针对DTW算法……