分類問題是數據挖掘中的基本問題之一，時間序列的特征表示及相似性度量是時間序列數據挖掘中分類、聚類及模式發(fā)現等任務的基礎。SAX方法是一種典型的時間序列符號化表示方法，在采用該方法的基礎上對時間序列進行分類，不僅可以有效地降維、降噪，而且具有簡單、直觀等特點，但是該方法有可能造成信息損失并影響到分類結果的準確性。為了彌補信息損失對分類結果的影響，采用了集成學習中大多數投票方法來彌補BOP表示后的信息損失，從而提高整個分類器的效率。針對一些樣本在BOP表示中都損失了相似的重要信息，以至于大多數投票無法進一步提高分類效率的問題，進一步提出了結合集成學習中AdaBoost算法，通過對訓練樣本權重的調整，從而達到以提高分類器性能來彌補信息損失的效果。實驗結果表明，將BOP方法與集成學習相結合的方法框架，不僅能很好地處理SAX符號化表示中的信息損失問題，而且與已有方法相比，在分類準確度方面也有顯著的提高。
?