實時模式匹配與動態歸一化(CS DB)

• 2019 年 12 月 31 日
• 筆記

原文題目：Real Time Pattern Matching with Dynamic Normalization

時間序列數據流中的模式匹配被認為是一個重要的數據挖掘問題，在許多實際場景中仍然具有挑戰性。不同的因素，如雜訊、振幅尺度或位移的變化、訊號在時間上的拉伸或收縮，都會導致許多現有模式匹配演算法的性能下降。在這篇文章中，我們介紹了一種動態歸一化機制，允許適當的訊號縮放，即使在顯著的時間和振幅失真。在此基礎上，我們進一步提出了一種基於動態時間扭曲的實時模式匹配方法來恢復可能在時間和幅度上被扭曲的隱藏模式。我們評估了我們提出的方法在合成和現實條件下的真實場景，表明與其他最先進的模式匹配方法相比，它具有較高的操作特性。

原文作者：Renzhi Wu, Sergey Sukhanov, Christian Debes

原文地址：http://cn.arxiv.org/abs/1912.11977