模体识别
在这项工作中，时间序列图案被定义为连续子序列如下
相同的模式和重复多次在整个时间序列。每个时间序列
T = 1，。..在我国，TMI数据的有序集合的真正价值的一个特定的
变量在不同采样时间。为了发现时间序列中的主题，
我们首先离散的时间序列，并使用离散化水平作为符号进行编码
时间序列。然后分析这个离散符号序列以检测变化
点。我们进一步提高抽象水平做一个游程长度编码的
符号序列，注意从一个符号到另一个符号的转换。这
给我们一个序列的转换事件的输入串行情节挖掘如图所示
下面：
符号序列：d d d一一一一一C C C b b b b b
⇓
事件序列：H（-，5），（a，10），（C-B，14）
频繁情节挖掘现在进行了这个序列的过渡。我们
查找系列事件与经常重复的事件间的限制。这个
下面给出了一个系列插曲的结构。
1
（0，D1 ]→E2。..
（0，DN−1 ]→埃尼（2）
这里E1，。..是事件类型的α。α中的每一对事件类
与事件间约束相关联的。例如，对E1→E2，是相关的
与（0，D1）这样，在发生α事件E2发生不迟于时间D
事件E1。挖掘过程遵循的明智的程序ALA的先验，即候选人
世代计数。候选生成方案是基于
匹配的N−1大小的后缀一个N个节点的频繁发作与N−1大小的前缀
另一个N个节点的频繁发作在一个给定的水平产生的候选人
下一级。在我们以前的工作中提出了相同的频繁情节挖掘算法
[ 16 ]。它应用在稍微不同的上下文中。
2500 3000 3500 4000 4500，5000
56 60
（a）母题的出现
2600 2700 2800 2900 3000
55.5 57 58.5
（b）详细情况
图4。水冷水机组利用中的重复基序说明

动态贝叶斯网络结构学习
在本节中，我们讨论概率图形模型，并提供背后的直觉
在冷水机组中建立变量的图形模型。我们专注于
贝叶斯网络，特别是动态贝叶斯网络中的随机变量
时间戳记。
贝叶斯网络（BN）是由B =（G，P），其中G是一个图形化的模型表示
有向无环图（DAG）和P是一组条件概率分布。
图G =（V，E）由一组节点V代表的随机变量
{ X1，。..，在系统和E n}一套各有向边的有向边E.，
我→J表示，表明随机变量xi
是随机变量的父。
P中的条件概率被用来捕捉统计依赖关系
在子节点和父节点之间。特别是，给定一个随机变量
在图中，我们表示的PAR（XI）的随机变量组的父母
。
XI和它的父节点PAR（XI）之间的统计依赖性被捕获
条件概率P（XI）
| PAR（西）。
为了模拟离散时间随机过程x（t），t = 1，。..（X）（t）= X1（t）X2（t）
···xn（t）]为研究在这里，我们使用动态贝叶斯的更多的表现形式
网络.特别是，我们专注于时间界的因果网络，对于一个给定的
W＞0，部分节点（xi（t）），为节点的父母，西（T），属于一个w长度
历史的窗口，[−W T，T）。注意父节点不能属于当前时间
切片T为XI（吨）。
这个假设的限制，一个随机变量的影响范围，Xk（T），变量
在W时间片的T，也表明随机变量XI（吨）和
XJ（t）在历史上给出了相应的父集
窗口。此外，我们也假设底层数据生成模型是固定的，
因此，联合统计可以估计使用列联表。
网络结构的学习涉及学习父集，PAR（XI（t）），为
每个十一（吨），我= 1，。..联合国在这项工作中，我们假设没有虚假的独立性
在数据上，即如果一个随机变量xj（T−τ）是一个父西（T），然
互信息I（xi（t）；新疆（T−τ）| s）条件的子集S（x）是⊆PA
总是大于零。此外，时间有限的因果关系，使我们能够学习的父母
每个节点的XI（t）独立于任何其他节点在同一时间片。我们使用
一个贪婪的方法来学习父节点的每个节点（t）。并通过添加
节点具有最高的条件互信息的父集的XI（t）为
在方程3所示：
巴黎+ 1（席（t））←巴黎
（xi（t））∪arg max我（xi（t）；新疆（T−τ）|巴
（十一）（3）
搜索是继续，直到父组中的节点的数目是k（其中k是
用户定义参数）或条件互信息降为零。这个
其次是结构学习的最大似然估计的条件
概率表。