The 12 linked 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).
  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
  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
  4. 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
  5. 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.).
  6. 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
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 5, no. 11, pp. 382–405. DOI: 10.7463/1115.0827396 Received: 03.10.2015 Revised: 20.10.2015 © Bauman Moscow State Technical Unversity