英语翻译2 Related WorkVarious methods have been proposed for timeseries searching.In [l],an indexing scheme calledF-index is suggested to handle data sequences andquery sequences of the same length.Firstly,eachdata sequence is transformed by n-po

英语翻译2 Related WorkVarious methods have been proposed for timeseries searching.In [l],an indexing scheme calledF-index is suggested to handle data sequences andquery sequences of the same length.Firstly,eachdata sequence is transformed by n-po
英语翻译
2 Related Work
Various methods have been proposed for time
series searching.In [l],an indexing scheme called
F-index is suggested to handle data sequences and
query sequences of the same length.Firstly,each
data sequence is transformed by n-point Discrete
Fourier Transform.The first fc coefficients are
kept and regarded as a fc-dimensional point.The
feature points are then indexed by an R*-tree
[16].For a range query,the query sequence is
first mapped to a point in the fc-dimensional
space similarly.Then,the R*-tree is searched
and all feature points that are within the error
distance from the query sequence are retrieved.
This method guarantees no false dismissal,but it
may cause false alarms.Thus,the original Idata
sequences corresponding to the points retrileved
have to be checked against the query sequence.
The results in [l] are further generalized in [2]
and the ST-index is proposed to handle data sequences
of different lengths.A sliding window with
length n is placed over the data sequences.The
subsequence within each window is transformed
by n-point Discrete Fourier Transform.After all
data subsequences are transformed,a trail will be
formed.The trail is divided into sub-trails,which
are then represented by minimum bounding rectangles(
MBR) o f an R*-tree.For range query,al1
MBR that intersect the query region will be retrieved.
This method also guarantees no false dismissal,
yet false alarms are still possible,and so the
original data sequences have to be checked against
the query sequence,too.The methods proposed
in [l,21 are very elegant.However,they use Euclidean
Distance for sequence similarity without
considering any transformation.As shown by the
example in Section 1,it is better to consider sequence
similarity with scaling and shifting in some
applications such as stock analysis.
The definition of similarity used in this paper is
similar to those proposed in [4].In [4],the authors
develop a general framework for similarity queries.
The framework consists of a transformation rule
language T.An object A is said to be similar to an
object B if A can be transformed to B by a series of
transformations defined in T.Each transformation
applied has a cost and the total cost is used to
measure the distance between A and B.
In [5],the authors consider the case that T contains
the transformation of moving average and
time wrapping.They first show that the definition
of sequence similarity with moving average
and time wrapping has a wide range of real applications.
Then,they illustrate by real stock data
that the transformations help to identify similar
runs of stock price.They also propose a first indexing
method that can handle moving average
and time warping.An index I is constructed as
in [l,2] first.For each query,a transformation in
T is given.
不要放入翻译词典 再拿出来交给我好不好。
囧

英语翻译2 Related WorkVarious methods have been proposed for timeseries searching.In [l],an indexing scheme calledF-index is suggested to handle data sequences andquery sequences of the same length.Firstly,eachdata sequence is transformed by n-po
2 相关工作
关于时间序列搜索,大家已经提出了很多方法.在【1】中,称为F指数的指数方案被用于处理数据序列和相同长度的查询序列.首先,对每个数据序列进行了N点离散傅里叶变换.保存第一个fc系数,并把它作为fc维数的点.然后用R *-树[16]检索特征点.对于范围查询,首先查询序列类似地映射到fc维空间里的一点.然后,搜索R *-树,返回所有与范围查询在误差距离内的特征点.这种方法可以确保没有漏检,但它可能会导致虚假警报.因此,返回值所对应的原来的1数据序列要经过与查询序列的核对.把[1]的结果进一步推广为[2],就提出了ST指数.它用来处理不同长度的数据序列.一个长度为n的滑动窗口被安置在数据序列上.每个窗口内的数列进行N点离散傅里叶变换.所有的数列都经过变形以后,将形成一个轨道.这条轨道被划分成子轨道,然后由最小边界矩形一个R *-树（MBR）代表.对于范围查询,返回插入查询序列的MBR.这个方法也保证不存在漏检,但仍然是可能的误检,因此原始数据序列也要与查询序列进行核对.在1.21提出的方法非常优雅.然而,他们使用欧几里德距离序列的相似性,而不考虑任何转换.正如在第1部分的例子所示,在某些应用中,综合考虑序列的相似性的标定和转换更好一些,如股票分析.在本文使用的相似性定义和在[4]中提出的类似.[4]中,作者展开了相似查询的大体框架.该框架包含一个转换规则语言T.如果A可以通过T中定义的一系列的变形,转化到B,那么就说对象A与对象B相似.在T每次用转化有一个定义的转换成本,总成本用来衡量A和B之间的距离.[5]中,作者考虑T包含滑动平均和时间规整算法的情况.首先表明,这种对T的定义实际应用范围很广.然后,他们用真实股票数据说明该转换有助于确定类似股票价格走势.他们还提出了能够处理滑动平均和时间规整算法的第一个索引方法,在【1,2】中建立了一个索引I.每个查询都给出了相应的T.
累死了…… 这是数学的论文?

2相关工作
有好几种不同的方法
系列的搜寻。[我],一个索引方案来过电话
F-index处理数据序列提出
查询序列一样长。第一,每个
序列进行n-point遗失
傅里叶变换。第一个俱乐部系数
保存和作为fc-dimensional点。这
然后特征点一个R * -tree定义的
[16]。针对...

全部展开

2相关工作
有好几种不同的方法
系列的搜寻。[我],一个索引方案来过电话
F-index处理数据序列提出
查询序列一样长。第一,每个
序列进行n-point遗失
傅里叶变换。第一个俱乐部系数
保存和作为fc-dimensional点。这
然后特征点一个R * -tree定义的
[16]。针对范围查询,查询序列
第一映射到一个fc-dimensional点
空间都很相似。然后,R * -tree无从寻找
和所有内特征点误差
查询序列的距离就被恢复。
这一方法保证被解雇,但它不存在任何虚假记载
可能会导致人们虚惊一场。因此,原Idata
序列retrileved相应的分
必须核对查询序列。
[我]的结果进一步广义在文献[2]
提出和ST-index处理数据序列
的长度不同。滑动窗
长度n就摆在那里数据序列。这
在每个窗数列转化
通过n-point离散傅立叶变换。毕竟
数据subsequences能转变,走
形成。踪迹是分为sub-trails,哪个
然后代表按最低边界长方形(
MBR)激光束一个R * -tree。为范围查询,贪多必失。
MBR,交叉查询地区将被收回。
该方法不存在任何虚假保证被辞退,
然而人们虚惊一场仍然是可能的,因此
原始数据不容含糊的序列
查询序列,也是。提出的方法
[我,21很高雅。然而,他们用欧氏
距离相似序列没有
考虑到任何的转变。显示
第1例,最好考虑序列
结垢相似之处,并且将在一些
应用,如股票分析。
相似的定义是本文使用
提出了类似[4]。在文献[4],作者

收起

2相关工作
各种各样的方法已经被提出了时间
系列搜索。在[1]，一个索引计划，所谓的
的F -指数，建议和处理数据序列
相同长度的查询序列。首先，每个
数据序列是改变了N点的离散
傅里叶变换。第一个功能界别系数
保存，作为一个功能界别的三维点认为。该
索引的特征点，然后由一个R *-树
[16]。对于范围查询...

全部展开

2相关工作
各种各样的方法已经被提出了时间
系列搜索。在[1]，一个索引计划，所谓的
的F -指数，建议和处理数据序列
相同长度的查询序列。首先，每个
数据序列是改变了N点的离散
傅里叶变换。第一个功能界别系数
保存，作为一个功能界别的三维点认为。该
索引的特征点，然后由一个R *-树
[16]。对于范围查询，查询序列
第一个映射到一个点在功能界别维
同样的空间。然后，在R *-树搜索
和所有特征点的误差范围内
从查询检索序列的距离。
这个方法保证不存在任何虚假解雇，但
可能会导致误报。因此，原来的别名
序列所对应的点retrileved
要查询核对序列。
在[1]的结果进一步推广[2]
和ST指数，提出处理数据序列
不同长度的。一个滑动窗口
长度为n的被安置在数据序列。该
每个窗口内的子序列转化
由N点离散傅里叶变换。毕竟
数据子序列的改变，一径将
形成。这条古道被划分成子路径，这
然后代表最小边界矩形（
膜生物反应器）o C的一个R *-树。对于范围查询，al1
膜生物反应器查询相交的地区将被检索。
这个方法也保证不存在任何虚假解雇，
但仍然是可能的误报，因此
序列的原始数据要核对
查询序列了。提出的方法
在[升，21是很优雅。然而，他们使用欧几里德
没有进行序列相似距离
考虑任何转变。正如所显示的
例如，在第1，最好是考虑顺序
相似性比例，在一些转移
应用，如股票分析。
定义的相似性，本文使用的是
类似[4]提出的。 [4]中，作者
制定一个总体框架的相似性查询。
该框架由一个转换规则
语言吨的一个据说是类似于一个对象
对象B，如果A可转化为B的一系列
转换定义在T每个转换
应用材料公司的成本，总成本是用来
衡量A和B之间的距离
[5]中，作者考虑的情况是，T包含
移动平均线的改造
时间包装。他们首先表明，该定义
移动平均线的序列相似性
时间和包装有真正的广泛的应用。
然后，他们说明了实时股票数据
该转换帮助找出类似的
股价的运行。他们还提出了第一个索引
方法，该方法可以处理均线
与时间弯曲。我是一个构造指数
在[1，2]首次。对于每个查询，转型
T是给定。

收起

2相关工作
有好几种不同的方法
系列的搜寻。[我],一个索引方案来过电话
F-index处理数据序列提出
查询序列一样长。第一,每个
序列进行n-point遗失
傅里叶变换。第一个俱乐部系数
保存和作为fc-dimensional点。这
然后特征点一个R * -tree定义的
[16]。针对范围查询,查询序列
第一映射...

全部展开

2相关工作
有好几种不同的方法
系列的搜寻。[我],一个索引方案来过电话
F-index处理数据序列提出
查询序列一样长。第一,每个
序列进行n-point遗失
傅里叶变换。第一个俱乐部系数
保存和作为fc-dimensional点。这
然后特征点一个R * -tree定义的
[16]。针对范围查询,查询序列
第一映射到一个fc-dimensional点
空间都很相似。然后,R * -tree无从寻找
和所有内特征点误差
查询序列的距离就被恢复。
这一方法保证被解雇,但它不存在任何虚假记载
可能会导致人们虚惊一场。因此,原Idata
序列retrileved相应的分
必须核对查询序列。
[我]的结果进一步广义在文献[2]
提出和ST-index处理数据序列
的长度不同。滑动窗
长度n就摆在那里数据序列。这
在每个窗数列转化
通过n-point离散傅立叶变换。毕竟
数据subsequences能转变,走
形成。踪迹是分为sub-trails,哪个
然后代表按最低边界长方形(
MBR)激光束一个R * -tree。为范围查询,贪多必失。
MBR,交叉查询地区将被收回。
该方法不存在任何虚假保证被辞退,
然而人们虚惊一场仍然是可能的,因此
原始数据不容含糊的序列
查询序列,也是。提出的方法
[我,21很高雅。然而,他们用欧氏
距离相似序列没有
考虑到任何的转变。显示
第1例,最好考虑序列
结垢相似之处,并且将在一些
应用,如股票分析。
相似的定义是本文使用
提出了类似[4]。在文献[4],作者
发展总体架构相似的疑问。
支架结构包括转变规则
语言是t对象一样说
如果一个物体可以转换为B通过一系列的
定义在t .每一次转变都转变
应用有成本和总成本是使用了
测量A与B之间的距离。
文[5],笔者认为的话,那T内容
改造的移动平均法与
时间包装。他们第一次显示的定义
顺序相似之处,移动平均线
和时间包装有各种各样的实际应用。
然后,他们通过实际股票数据
,转变帮助识别相似
举办股票价格。他们也提出第一个索引
方法可以处理移动平均线
和时间扭曲。我是建立索引
在[l、2]第一。为每个查询、转变
T进行了分析。

收起