针对工业生产中传统聚类算法直接应用于时间序列聚类效果准确性较低的问题，提出一种基于DTW距离度量的K-medoids算法。使用DTW计算时序数据之间的距离取代传统的欧氏距离度量方式，提高了相似性度量算法精度，同时也提高了聚类算法的准确性，并通过构建阈值机制实现了对时间序列数据的监督与异常检测。最后，结合烟叶含水率的时间序列数据进行分析，与传统聚类算法的异常检测模型比较，实验结果表明，DTW-kmedoids算法对时序数据的监督与异常检测具有可靠性、准确性。
科研之友
微信
新浪微博
Facebook
分享链接
