The 20 references in paper A. Chernyshev S., A. Karpenko P., M. Kostrubin S., А. Карпенко П., А. Чернышев С., М. Кострубин С. (2016) “Эффективность классификации многомерных временных рядов с помощью шейплетов // Effectiveness of Multivariate Time Series Classification Using Shapelets” / spz:neicon:technomag:y:2015:i:1:p:382-405

1
Трофимов А.Г., Скругин В.И. Адаптивный классификатор многомерных нестационарных сигналов на основе анализа динамических паттернов // Наука и образование. МГТУ им. Н.Э. Баумана. Электрон. журн. 2010. No 8. Режим доступа: http://technomag.bmstu.ru/doc/151934.html (дата обращения 01.10.2015).
(check this in PDF content)
2
Ye L., Keogh E. Time series shapelets: a new primitive for data mining // Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD’09). ACM Publ., 2009. P. 947-956. DOI: 10.1145/1557019.1557122
(check this in PDF content)
3
Mueen A., Keogh E., Young N. Logical-Shapelets: An Expressive Primitive for Time Series Classification // Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD’11). ACM Publ., 2011. P. 1154-1162. DOI: 10.1145/2020408.2020587
(check this in PDF content)
4
Gordon D., Hendler D., Rokach L. Fast Randomized Model Generation for Shapelet-Based Time Series Classification. 2012. Available at: http://arxiv.org/abs/1209.5038 , accessed 01.10.2015.
(check this in PDF content)
5
He Q., Zhuang F., Shang T., Shi Z. Fast Time Series Classification Based on Infrequent Shapelets // Proceedings of 11th International Conference on Machine Learning and Applications (ICMLA). Vol. 1. IEEE Publ., 2012. P. 215-219. DOI: 10.1109/ICMLA.2012.44
(check this in PDF content)
6
Lines J., Bagnall A. Alternative Quality Measures for Time Series Shapelets. Springer Berlin Heidelberg, 2012. P. 475-483. DOI: 10.1007/978-3-642-32639-4_58 (Ser. Lecture Notes in Computer Science; vol. 7435.).
(check this in PDF content)
7
Lines J., Davis L., Hills J., Bagnall A. A Shapelet Transform for Time Series Classification // Proceedings of the 18th International Conference on Knowledge Discovery in Data and Data Mining (KDD’12). ACM Publ., 2012. P. 289-297. DOI: 10.1145/2339530.2339579
(check this in PDF content)
8
Zakaria J., Mueen A., Keogh E. Clustering Time Series using Unsupervised-Shapelets // Proceedings of the 12th IEEE International Conference on Data Mining (ICDM’2012). IEEE Publ., 2012. P. 785-794. DOI: 10.1109/ICDM.2012.26
(check this in PDF content)
9
Rakthanmanon T., Keogh E. Fast Shapelets: A Scalable Algorithm for Discovering Time Series Shapelets // Proceedings of the 13th SIAM International Conference on Data Mining (SDM’13). SIAM Publ., 2013. P. 668-676. DOI: 10.1137/1.9781611972832.74
(check this in PDF content)
10
Grabocka J., Schilling N., Wistuba M., Schmidt-Thieme L. Learning Time-Series Shapelets // Proceedings of the 20th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD’14). ACM Publ., 2014. P. 392-401. DOI: 10.1145/2623330.2623613
(check this in PDF content)
11
Shapelet based time series classification // The University of East Anglia (UEA): website. Available at: https://www.uea.ac.uk/computing/machine-learning/shapelets , accessed 01.10.2015.
(check this in PDF content)
12
Чучуева И.А. Модель экстраполяции временных рядов по выборке максимального подобия // Информационные технологии. 2010. No 12. С. 43-47.
(check this in PDF content)
13
Левитин А.В. Алгоритмы: введение в разработку и анализ: пер. с англ. М.: Вильямс, 2006. 576 с.
(check this in PDF content)
14
Левинсон Дж.Дж. Тестирование ПО с помощью Visual Studio 2010: пер. с англ. М.: ЭКОМ Паблишерз, 2012. 336 с.
(check this in PDF content)
15
Нейгел К., Ивьен Б., Глинн Дж., Уотсон К., Скиннер М. C# и платформа .NET 4 для профессионалов: пер. с англ. М.: Вильямс, 2011. 1440 с.
(check this in PDF content)
16
Vail D., Veloso M. Learning from accelerometer data on a legged robot // Proceedings of the 5th IFAC/EURON Symposium on Intelligent Autonomous Vehicles, 2004. Available at: http://www.cs.cmu.edu/~coral/old/publinks/mmv/04iav-doug.pdf , accessed 01.10.2015.
(check this in PDF content)
17
Software for Brain Computer Interfaces and Real Time Neirosiences // OpenVibe: website. Available at: http://openvibe.inria.fr/datasets-downloads/, accessed 01.10.2015.
(check this in PDF content)
18
Paugam-Moisy H., Bohte S.M. Computing with spiking neuron networks // In: Handbook of Natural Computing / ed. by G. Rozenberg, T. Bäck, J.N. Kok. Springer-Verlag Berlin Heidelberg, 2012. P. 335-376. DOI: 10.1007/978-3-540-92910-9_10
(check this in PDF content)
19
Chang K-W., Deka, B., Hwu W-M., Roth D. Efficient Pattern-Based Time Series Classification on GPU // Proceedings of the 12th IEEE International Conference on Data Mining (ICDM’2012). IEEE Publ., 2012. P. 131-140. DOI: 10.1109/ICDM.2012.132 Приложение. Используемые классы и структуры Основой программы Shapelet C# является статический класс-интерфейс ShapeletAlgorithm, содержащий публичные методы для поиска многомерного логического шейплета (FindLogicalShapelet) и для классификации имеющимся шейплетом (ClassifyBinary). Также этот класс содержит публичные определения структуры опций алгоритма (Options) и структуры данных производительности (PerformanceData). С помощью первой структуры осуществляются предварительные настройки алгоритма, с помощью второ
(check this in PDF content)
20
5, no. 11, pp. 382–405. DOI: 10.7463/1115.0827396 Received: 03.10.2015 Revised: 20.10.2015 © Bauman Moscow State Technical Unversity
(check this in PDF content)