论文部分内容阅读
时间序列是根据时间顺序得到的一系列观测值,它存在于几乎所有的科学和商业应用领域中,尤其是在大型机械设备和化工系统运行状态的实时监控中,会产生大量关键参数的时间序列数据。直接对这些时间序列数据进行处理分析存在许多问题,如:硬件消耗大、有效信息匮乏和算法效率低等问题。时间序列的分段线性表示是用多条顺序相连的直线段近似表示原始时间序列时间序列,它可以压缩原始数据并保留数据的主要形态,减少了数据存储对硬件设备的消耗,提高了时间序列处理分析的其他工作的效率和准确性。定性趋势分析就是从定量过程数据中提取定性的趋势信息,并用符号语言加以简化表示。趋势信息是时间序列的重要特征,它反映了数据的发展速度和水平,可以为机械设备或过程控制的故障早期判定和诊断提供有效依据。本论文的主要研究内容就是时间序列的分段线性表示和定性趋势分析。在对时间序列线性表示方法的研究现状作了详细研究的基础上,本论文提出一种基于局部最值和极值的时间序列分段线性表示方法(LMME),并给出了算法详细的定义和描述。通过在多组数据上的实验,表明该方法在相邻数据值波动小的时间序列上,具有很好的近似表示效果,不仅压缩率高,拟合误差也小;在相邻数据值波动大的时间序列上,当压缩率较小时,拟合效果也不错,而压缩率较大时,拟合效果较差。但是,分段线性表示通常只是数据处理和分析等的预处理。在传统多项式拟合方法和LMME合理分段点提取方法的基础上,本论文又提出一种基于约束的全局多段多项式拟合(GCMPF)的时间序列定性趋势分析方法,趋势描述语言采用九种基元,并给出其详细的数学描述和趋势分析过程。在约束点处光滑连接基础上,GCMPF方法使趋势提取结果达到拟合误差全局最小。通过在三组模拟数据上的实验,表明该方法在数据信噪比高和复杂度较低的时间序列上具有良好的趋势提取效果;当噪声较大和复杂度较高时,趋势提取效果较差,局部区域趋势发生失真。为了将论文的研究内容应用到实际中,本论文结合MATLAB和C#编程技术,首先,利用MATLAB COM编译器将LMME方法中计算和画图功能的MATLAB代码做成COM组件;然后,在C#程序中引用COM组件实现LMME的功能,最后,将LMME方法的C#应用程序发布。