Univariate and Multivariate Time Series Manifold Learning

تجزیه و تحلیل سری به منظور استخراج اطلاعات معنی دار از داده های تولید شده به ترتیب توسط یک روند پویا است. مدل سازی دینامیک غیر خطی یک سیگنال اغلب با استفاده از یک فضای خطی با یک متریک شباهت که خطی است یا تلاش برای مدل سازی غیر خطی داده ها در فضای خطی انجام می شود، انجام می شود. در این تحقیق، یک رویکرد متفاوت در نظر گرفته شده است که پویایی غیر خطی سری زمانی با استفاده از یک فاز فاز ارائه می شود. داده های آموزشی برای ساخت فاز فاز که داده ها در یک یا چند فاصلۀ کوچک قرار دارند، استفاده می شود. پایه ی چند منظوره غیر خطی با استفاده از اجزای اصلی هسته مشتق شده با استفاده از تجزیه و تحلیل اجزای اصلی هسته که اجزای کمتری به منظور شناسایی چند بعدی چند بعدی حفظ می شوند، مشتق می شوند. نمونه های داده ها بر روی چند منظوره قرار می گیرند و کسانی که فاصله زیادی بین نقطه اصلی و طرح ریزی دارند، در نظر گرفته می شوند که از یک فرآیند فرعی متفاوت حاصل می شود. الگوریتم پیشنهاد شده قادر به انجام طبقه بندی سری زمانی بر روی داده های یکسان و چند متغیره است. ارزیابی ها در تعداد زیادی از مجموعه داده های واقعی در جهان، دقت الگوریتم جدید را نشان می دهد و این که چگونه از عملکرد پیشرفته برخوردار است.