李海林，贾瑞颖，谭观音,2

（1. 华侨大学信息管理与信息系统系 福建 泉州 362021；2. 华侨大学应用统计与大数据研究中心 福建 厦门 361021）

时间序列是一种与时间相关的数值型数据，基于时间序列的数据挖掘与分析成为目前数据研究领域中最具有挑战性的十大问题之一[1]。分类算法是时间序列数据挖掘中极为重要的任务和技术[2]，有大量关于时间序列分类和挖掘的研究[3]。分类问题依赖于时间序列间的相似性度量，而相似性度量是两条时间序列相似程度的度量方法[4]。对于时间序列来说，同类时间序列间的相似性主要有时域相似性、形状相似性和变化相似性3 种形式[5]。支持向量机（support vector machine, SVM）是由文献[6]提出的通过核函数将时间序列向高维空间映射的方法，可用于时间序列分类。朴素贝叶斯分类器是目前公认的一种简单而有效的概率分类方法，作为经典的机器学习算法之一，在信息检索领域有着极为重要的地位[7]。文献[8]提出了EAIW 分类算法，该算法为时间序列区间赋予权值，采用集成分类的算法，通过权值对时间序列进行分类。文献[9]提出了TLCS 算法，该算法提出一种新的基于时间序列的趋势离散化方法，利用LCS 对其进行相似性度量。

模糊聚类由于能够描述样本类属的中介性，能更客观地反映现实世界，目前已成为聚类分析的主流，成为非监督模式识别的一个重要分支。模糊聚类分析已经成功地应用于遥感图像处理、医学图像处理、基因数据处理、模糊决策分析等领域[10]。……