先进的化学过程工程工具，如模型预测控制或软传感器解决方案，需要适当的过程模型。 这些模型的参数识别需要具有高信息量的输入输出数据。 当无法应用基于模型的优化实验设计技术时，从历史数据中提取信息片段也可以支持系统识别。 我们开发了一种面向目标的基于 Fisher 信息的时间序列分割算法，旨在从历史过程数据中选择信息片段。 所使用的标准自下而上算法广泛用于过程数据的离线分析。 不同的段可以支持参数集的识别。 因此，我们建议使用从序列获得的 Fisher 信息矩阵的特征向量之间的 Krzanowski 相似系数，而不是使用 D 或 E 最优性作为比较两个输入序列（相邻段）的信息内容的标准。 两个应用示例证明了所提出方法的效率。 该算法能够从历史过程数据中提取具有参数集特定信息内容的段。 它也在： L. Dobos, J. Abonyi, 基于时间序列分割的 Fisher 信息矩阵过程数据分析

matlab中存档算法代码 艾尔娜·TSSA AYRNA TSSA（时间序列分割算法）是在MATLAB中实现的一组算法，集成了广泛的时间序列分割算法。 它是通过在国际期刊和会议上发表几种出版物而得到发展的。 时间序列分割要满足两个主要目标。 一方面，此过程适用于发现段之间的相似性。 另一方面，为了简化时间序列，也可以应用时间序列分段，即用简单的模型描述来替换片段。 AYRNA TSSA包含可单独或同时解决这些目标的算法。 版权 该软件是根据GNU通用公共许可证v3.0许可证发布的，该许可证可从http://www.gnu.org/获得。 请查看存储库中可用的许可证以及文档标题以获取版权。 引用AYRNA TSSA 如果您使用AYRNA TSSA文件或算法，请引用每个文件标题中指示的作品。 例如，如果您使用GMOTSS算法（请参阅参考资料），则标头为： %GMOTSS Genetic Multiobjective Time series segmentation [1] % % GMOTSS methods: % runAlgorithm - runs the corresponding

多元时间序列的变量变化通常是模糊的，不关注任何特定的时间点。 因此，定义段的清晰边界是不切实际的。 虽然模糊聚类算法被广泛用于对重叠和模糊的对象进行分组，但它们不能直接应用于时间序列分割，因为聚类需要在时间上是连续的。 本文提出了一种用于同时识别局部概率主成分分析 (PPCA) 模型的聚类算法，该模型用于测量片段的同质性，以及用于及时表示片段的模糊集。 该算法有利于时间上的连续集群，并且能够检测多元时间序列隐藏结构的变化。 已经制定了基于簇的兼容性标准的模糊决策算法来确定所需的段数，而所需的主成分数由模糊协方差矩阵的特征值的screeplots确定。 应用实例表明，这种新技术是分析历史过程数据的有用工具。 该技术还描述于： J. Abonyi、B. Feil、S. Nemeth、P. Arva，用于多元时间序列模糊分割的修正 Gath-Geva 聚类，模糊集和系统 149 (2005)

时间序列分割方法综述，孙文远，苏晓龙，随着数据库知识发现(KDD)和模式识别等计算技术的发展，时间序列包含的数据量大，维数高，更新快。因此，时间序列的分割就显得必不�

时间序列分割算法-segmentation.rar Novel Online Methods for Time Series Segmentation 详见此文章，复现一下，不一定对