中文摘要：

时间序列的分类问题在生物、经济金融分析、语音处理等方面有着广泛的应用.在传统的确定性的时间序列上这项技术已得到了深入的研究,并取得了很好的效果;但在新兴的不确定时间序列上解决方案还很少.不确定模型更能真实地反映现实世界;因此,研究不确定时间序列的分类问题有很大的实际意义.DTW距离是确定性的时间序列上的重要的度量方式,但其不能直接应用于不确定时间序列之上.提出了基于期望距离的不确定时间序列下的DTW距离.给出了期望距离的一种简单计算方法,从而简化了不确定时间序列的建模,降低了模型的存储代价.利用期望距离公式的特点,将确定性的时间序列DTW的距离下界函数LB_Keogh进行扩展,得到了不确定时间序列的下界函数ULB_Keogh.实验结果显示:提出的DTW算法对于不确定时间序列的分类有着很高的正确率;ULB_Keogh下界函数有着很好的剪枝效果.

英文摘要：

时间序列的分类问题在生物、经济金融分析、语音处理等方面有着广泛的应用.在传统的确定性的时间序列上这项技术已得到了深入的研究,并取得了很好的效果;但在新兴的不确定时间序列上解决方案还很少.不确定模型更能真实地反映现实世界;因此,研究不确定时间序列的分类问题有很大的实际意义.DTW距离是确定性的时间序列上的重要的度量方式,但其不能直接应用于不确定时间序列之上.提出了基于期望距离的不确定时间序列下的DTW距离.给出了期望距离的一种简单计算方法,从而简化了不确定时间序列的建模,降低了模型的存储代价.利用期望距离公式的特点,将确定性的时间序列DTW的距离下界函数LB_Keogh进行扩展,得到了不确定时间序列的下界函数ULB_Keogh.实验结果显示:提出的DTW算法对于不确定时间序列的分类有着很高的正确率;ULB_Keogh下界函数有着很好的剪枝效果.