实时模式匹配与动态归一化(CS DB)

• 2019 年 12 月 31 日
• 筆記

原文题目：Real Time Pattern Matching with Dynamic Normalization

时间序列数据流中的模式匹配被认为是一个重要的数据挖掘问题，在许多实际场景中仍然具有挑战性。不同的因素，如噪声、振幅尺度或位移的变化、信号在时间上的拉伸或收缩，都会导致许多现有模式匹配算法的性能下降。在这篇文章中，我们介绍了一种动态归一化机制，允许适当的信号缩放，即使在显著的时间和振幅失真。在此基础上，我们进一步提出了一种基于动态时间扭曲的实时模式匹配方法来恢复可能在时间和幅度上被扭曲的隐藏模式。我们评估了我们提出的方法在合成和现实条件下的真实场景，表明与其他最先进的模式匹配方法相比，它具有较高的操作特性。

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

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