Nhận dạng mô tip trong dữ liệu chuỗi thời gian hình ảnh

Đại Học Quốc Gia Thành Phố Hồ Chí Minh ĐẠI HỌC BÁCH KHOA TRẦN CƠNG THANH NHẬN DẠNG MƠ-TÍP TRONG DỮ LIỆU CHUỖI THỜI GIAN HÌNH ẢNH (FINDING MOTIF IN IMAGE TIMESERIES DATA) Chuyên ngành: KHOA HỌC MÁY TÍNH LUẬN VĂN THẠC SĨ TP.HỒ CHÍ MINH, 12/2011 CƠNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: TS Bùi Hoài Thắng Cán nhận xét 1: TS.Phạm Văn Chung Cán nhận xét 2: TS.Võ Thị Ngọc Châu Luận văn thạc sĩ bảo vệ trường Đại học Bách khoa, ĐH QG Tp.HCM ngày 07 tháng 01 năm 2012 Hội đồng đánh giá luận văn thạc sĩ gồm: PGS.TS Dương Tuấn Anh TS.Võ Thị Ngọc Châu TS Phạm Văn Chung TS Đỗ Phúc TS.Bùi Hoài Thắng Xác nhận Chủ tịch hội đồng đánh giá LV Bộ môn quản lý chuyên ngành sau LV sửa chữa (nếu có) Chủ tịch hội đồng đánh giá LV Bộ môn quản lý chuyên ngành ĐẠI HỌC QUỐC GIA TP HCM CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập - Tự Do - Hạnh Phúc -oOo Tp HCM, ngày tháng năm 2011 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Trần Cơng Thanh Giới tính : Nam × Ngày, tháng, năm sinh : 12/02/1985 Nơi sinh : Tiền Giang Chun ngành : Khoa học máy tính Khố (Năm trúng tuyển) : 2009 1- TÊN ĐỀ TÀI: NHẬN DẠNG CÁC MƠ TÍP TRONG DỮ LIỆU CHUỖI THỜI GIAN HÌNH ẢNH 2- NHIỆM VỤ LUẬN VĂN: Nghiên cứu giải thuật, so sánh thực nghiệm hai phương pháp rời rạc hoá chuỗi thời gian SAX ESAX áp dụng vào giải thuật nhận dạng mơ típ liệu chuỗi thời gian hình ảnh 3- NGÀY GIAO NHIỆM VỤ : 4- NGÀY HOÀN THÀNH NHIỆM VỤ : 5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN (Ghi đầy đủ học hàm, học vị ): TS.Bùi Hoài Thắng Nội dung đề cương Luận văn thạc sĩ Hội Đồng Chuyên Ngành thông qua CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) CHỦ NHIỆM BỘ MÔN QUẢN LÝ CHUYÊN NGÀNH (Họ tên chữ ký) TS Bùi Hoài Thắng TS Đinh Đức Anh Vũ Nhận dạng motip sở liệu hình ảnh LỜI CAM ĐOAN Tôi cam đoan rằng, ngoại trừ kết tham khảo từ cơng trình khác ghi rõ luận văn, cơng việc trình bày luận văn tơi thực chưa có phần nội dung luận văn nộp để lấy cấp trường trường khác Ngày 07 tháng 12 năm 2011 Trần Công Thanh Luận Văn Thạc Sĩ – Trần Công Thanh i Nhận dạng motip sở liệu hình ảnh LỜI CẢM ƠN Tôi xin gởi lời cảm ơn chân thành, kính trọng sâu sắc đến PGS.TS Dương Tuấn Anh, TS.Nguyễn Thanh Bình, TS.Bùi Hồi Thắng Các Thầy tận tình hướng dẫn tơi suốt q trình học cao học tạo điều kiện để hồn thành tốt luận văn Tơi xin cảm ơn gia đình động viên tạo điều kiện tốt để tơi tiếp tục theo đuổi việc học tập nghiên cứu Tôi trân trọng dành tặng thành luận văn cho Cha, Mẹ Nhờ công lao dưỡng dục Người mà chúng có thành ngày hơm Con xin hứa tiếp tục cố gắng phấn đấu để vươn cao Tôi xin cảm ơn anh chị học viên hỗ trợ giúp đỡ q trình học tập thời gian hồn thành luận văn Luận Văn Thạc Sĩ – Trần Công Thanh ii Nhận dạng motip sở liệu hình ảnh TĨM TẮT LUẬN VĂN Nhận dạng mơ-típ hình ảnh tốn thu hút nhiều quan tâm cộng đồng xử lý hình ảnh Nhận dạng mơ-típ hình ảnh có nhiều ứng dụng thực tế khảo cổ học, sinh vật học… Luận văn nghiên cứu cách áp dụng kỹ thuật rời rạc hố ESAX vào xử lý hình ảnh, so sánh thực nghiệm hai phương pháp rời rạc hoá liệu chuỗi thời gian SAX ESAX áp dụng vào giải thuật chiếu ngẫu nhiên-Random Projection nhận dạng mơ típ liệu chuỗi thời gian hình ảnh Qua kết thực nghiệm cho thấy giải thuật chiếu ngẫu nhiên-Random Projection nâng cao hiệu áp dụng phương pháp rời rạc hoá ESAX Luận Văn Thạc Sĩ – Trần Công Thanh iii Nhận dạng motip sở liệu hình ảnh ABSTRACT Finding image motif has attracted attention of the image processing community Finding image motif has a lot of real applications such as archeology, biology… This thesis studies ESAX applying in image processing, empirically compares the two discretization methods SAX and ESAX used in Random Projection Algorithm for finding motifs of time-series image data The experiments show that the performance of Random Projection Algorithm is improved by using ESAX as discretization method Luận Văn Thạc Sĩ – Trần Công Thanh iv Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh MỤC LỤC MỤC LỤC Trang LỜI CAM ĐOAN i LỜI CẢM ƠN ii TÓM TẮT LUẬN VĂN iii ASTRACT iv Mục lục v Mục lục hình viii Mục lục bảng xi Chương 1: GIỚI THIỆU 1.1 Động nghiên cứu 1.1.1 Dữ liệu chuỗi thời gian 1.1.2 Bài tốn nhận dạng mơ-típ 1.2 Mục tiêu giới hạn luận văn 1.3 Tóm tắt kết 1.4 Cấu trúc luận văn Chương 2: CÁC CƠNG TRÌNH LIÊN QUAN 2.1 Các kỹ thuật thu giảm số chiều dựa vào đặc trưng 10 2.1.1 Các phương pháp biến đổi miền tần số 10 2.1.2 Các kỹ thuật xấp xỉ tuyến tính đoạn 12 2.2 Các phương pháp rời rạc hoá 15 2.2.1 Kỹ thuật xấp xỉ gộp ký hiệu hoá – SAX 16 2.2.2 Kỹ thuật xấp xỉ gộp ký hiệu hoá mở rộng – Extended SAX 23 2.2.3 Phương pháp iSAX 26 Luận Văn Thạc Sĩ-Trần Công Thanh v Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh MỤC LỤC 2.3 Các cơng trình tìm kiếm mơ-típ 27 2.3.1 Giải thuật Brute-Force 27 2.3.2 Giải thuật EMMA 28 2.3.3 Giải thuật nhận dạng mơ-típ dùng kỹ thuật chiếu ngẫu nhiên 29 2.4 Kết luận 31 Chương 3: CƠ SỞ LÝ THUYẾT 32 3.1 Cách chuyển hình ảnh sang chuỗi thời gian 32 3.2 Khái niệm trùng khớp 34 3.3 Mơ-típ hình ảnh 35 3.4 Các độ đo khoảng cách 36 3.4.1 Độ đo Eulid 37 3.4.2 Độ đo xoắn thời gian động 39 3.5 Chuẩn hoá liệu 40 3.6 Một số giải thuật nhận dạng mơ-típ 41 3.6.1 Giải thuật Brute-Force 41 3.6.2 Giải thuật EMMA 44 3.6.3 Giải thuật chiếu ngẫu nhiên-Random Projection 49 3.7 Hướng tiếp cận toán 53 Chương 4: NỘI DUNG NGHIÊN CỨU 56 4.1 Giới thiệu hệ thống 56 4.2 Các thành phần hệ thống 56 4.2.1 Chuẩn hoá 57 4.2.2 Kỹ thuật thu giảm số chiều PAA, EPAA 59 4.2.3 Kỹ thuật rời rạc hoá SAX, ESAX 61 4.2.4 Giải thuật nhận dạng mơ-típ dùng kỹ thuật rời rạc hoá SAX 62 4.2.5 Giải thuật nhận dạng mơ-típ dùng kỹ thuật rời rạc hố ESAX 63 Luận Văn Thạc Sĩ-Trần Cơng Thanh vi Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh MỤC LỤC 4.3 Đánh giá giải thuật 65 4.4 Khảo sát thông số 66 4.5 Kết luận 69 Chương 5: THỰC NGHIỆM 70 5.1 Khảo sát thông số 71 5.2 Hệ thống nhận dạng mơ-típ 76 5.2.1 Giải thuật Brute-force 76 5.2.2 Giải thuật Chiếu ngẫu nhiên (Random Projection) 77 5.3 So sánh kết SAX / ESAX 81 5.4 Kết luận 89 Chương 6: KẾT LUẬN 90 6.1 Tổng kết 90 6.2 Những đóng góp luận văn 90 6.3 Hướng phát triển đề tài 91 TÀI LIỆU THAM KHẢO 92 BẢNG PHỤ LỤC A1 LÝ LỊCH TRÍCH NGANG B1 Luận Văn Thạc Sĩ-Trần Công Thanh vii Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 5: Thực nghiệm • Chúng tơi nhận thấy thời gian thực thi giải thuật áp dụng phương pháp ESAX xét chiều dài chuỗi ký tự thường nhanh giải thuật áp dụng phương pháp rời rạc hoá SAX, cụ thể giải thuật áp dụng phương pháp rời rạc hoá ESAX với cách xoay RT2 thời gian thực thi khoảng 20% thời gian thực thi giải thuật áp dụng phương pháp rời rạc hoá SAX, kể giải thuật áp dụng phương pháp rời rạc hoá ESAX với cách xoay RT1 Nhưng xét trường hợp số chiều thu giảm giải thuật dùng phương pháp rời rạc hóa SAX lại thường nhanh giải thuật dùng phương pháp rời rạc hóa ESAX kích thước ma trận xoay lúc gấp ba lần (RT1) (RT2) so với ma trận xoay tập chuỗi SAX • Khi dùng phương pháp rời rạc hố ESAX số lần dùng cách tính khoảng cách Euclidean thường dùng phương pháp SAX • Khi so sánh giải thuật dùng hai phương pháp rời rạc hố luận văn dùng phương pháp rời rạc hố làm gốc(100%) để so sánh, cịn so sánh hai cách xoay RT1 RT2 lấy RT1 làm gốc(100%) để so sánh, kết bảng 5.7 Luận Văn Thạc Sĩ-Trần Cơng Thanh 83 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 5: Thực nghiệm Hình 5.12 Độ xác ESAXRT1/SAX trường hợp tập liệu Hình 5.13 Độ xác ESAXRT1/SAX trường hợp tập liệu Luận Văn Thạc Sĩ-Trần Cơng Thanh 84 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 5: Thực nghiệm Hình 5.14 Độ xác ESAXRT2/SAX trường hợp tập liệu Hình 5.15 Độ xác ESAXRT2/SAX trường hợp tập liệu Luận Văn Thạc Sĩ-Trần Cơng Thanh 85 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 5: Thực nghiệm Hình 5.16 Độ xác ESAXRT2/ESAXRT1 tập liệu Hình 5.17 Lần gọi hàm Euclidean ESAXRT1/SAX trường hợp Luận Văn Thạc Sĩ-Trần Công Thanh 86 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 5: Thực nghiệm Hình 5.18 Lần gọi hàm Euclidean ESAXRT1/SAX trường hợp Hình 5.19 Lần gọi hàm Euclidean ESAXRT2/SAX trường hợp Luận Văn Thạc Sĩ-Trần Công Thanh 87 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 5: Thực nghiệm Hình 5.20 Lần gọi hàm Euclidean ESAXRT2/SAX trường hợp Hình 5.21 Lần gọi hàm Euclidean ESAXRT2/ESAXRT1 Luận Văn Thạc Sĩ-Trần Công Thanh 88 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 5: Thực nghiệm 5.4 Kết luận: Từ kết thu thực nghiệm tập liệu, nhận thấy rằng:  Về thời gian thực thi, dùng phương pháp rời rạc hoá ESAX trường hợp thường nhanh giải thuật dùng phương pháp rời rạc hoá SAX, giải thuật dùng phương pháp rời rạc hoá ESAX với cách xoay RT2 nhanh khoảng năm lần so với giải thuật dùng kỹ thuật rời rạc hoá SAX Trong trường hợp thời gian thực giải thuật dùng phương pháp rời rạc hóa SAX tốt dùng phương pháp rời rạc hóa ESAX với cách xoay RT1, tương đương với cách xoay RT2  Xét độ xác giải thuật dùng phương pháp rời rạc hoá ESAX(RT1,RT2) thường tốt giải thuật dùng phương pháp rời rạc hoá SAX tùy vào tập liệu  Số lần gọi hàm khoảng cách giải thuật dùng phương pháp rời rạc hoá hoá ESAX tương đương với giải thuật dùng phương pháp rời rạc hóa SAX  So sánh hai cách xoay RT1,RT2: thời gian thực thi giải thuật dùng phương pháp rời rạc hoá ESAX dùng phương pháp rời rạc hố ESAX RT2 ln nhanh hơn, kích thước tập ma trận xoay theo cách RT1 ba lần ma trận xoay theo cách RT2 Độ xác, số lần gọi hàm tính khoảng cách gần tương đương Luận văn nhận thấy tạo ma trận xoay theo cách RT2 thường tốt cách tạo ma trận xoay RT1 Luận Văn Thạc Sĩ-Trần Công Thanh 89 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 6:Kết Luận CHƯƠNG 6: KẾT LUẬN Chương tổng kết việc làm, đóng góp hướng phát triển mở rộng cho nghiên cứu sau 6.1 Tổng kết: Bài toán phát mơ-típ hình ảnh thu hút nhiều quan tâm cộng đồng xử lý hình ảnh, tốn có nhiều ứng dụng thực tế: khảo cổ học,sinh vật học… có nhiều giải pháp áp dụng, ứng dụng giải thuật xử lý chuỗi thời gian vào xử lý hình ảnh Luận văn nghiên cứu cách thay kỹ thuật rời rạc hoá SAX kỹ thuật rời rạc hoá ESAX giải thuật chiếu ngẫu nhiên-Random Projection để nhận dạng mơ-típ hình ảnh Luận văn xây dựng thực nghiệm so sánh giải thuật chiếu ngẫu nhiên-Random Projection nhận dạng mơ-típ hình ảnh dùng hai kỹ thuật SAX / ESAX (với hai cách xoay RT1,RT2) Thực nghiệm cho thấy chất lượng giải thuật chiếu ngẫu nhiên-Random Projection thường cải thiện dùng phương pháp rời rạc hoá ESAX, riêng áp dụng phương pháp rời rạc hố ESAX cách xoay RT2 thường tốt cách xoay RT1 6.2 Những đóng góp luận văn: Các kết luận văn có được:  Luận văn đưa cách áp dụng kỹ thuật rời rạc hoá ESAX vào liệu hình ảnh (với hai cách tạo ma trận xoay là: RT2, RT1), thực thực nghiệm áp dụng kỹ thuật vào giải thuật chiếu ngẫu nhiên-Random Projection để tìm mơ-típ hình ảnh  Luận văn thực hệ thống nhận dạng mơ-típ hình ảnh dùng giải thuật chiếu ngẫu nhiên-Random Projection hai kỹ thuật rời rạc hoá SAX/ Luận Văn Thạc Sĩ – Trần Cơng Thanh 90 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 6:Kết Luận ESAX thực nghiệm tập liệu hình ảnh để so sánh kết với so sánh hai cách tạo ma trận xoay RT1,RT2 phương pháp rời rạc hoá ESAX  Từ kết thực nghiệm áp dụng phương pháp rời rạc hoá liệu ESAX thay cho phương pháp rời rạc hoá SAX giải thuật Chiếu ngẫu nhiênRandom Projection để nhận dạng mơ-típ hình ảnh cải thiện hiệu giải thuật kết nhận dạng mơ-típ hình ảnh 6.3 Hướng phát triển đề tài: Luận văn thực áp dụng kỹ thuật rời rạc hoá liệu ESAX để nâng cao hiệu giải thuật chiếu ngẫu nhiên-Random Projection nhận dạng mơ-típ loại liệu hình ảnh Tuy nhiên nhiều điểm khác cần phải nghiên cứu hoàn thiện: i) Các kết thực nghiệm thực số loại liệu hình ảnh, nên cần thực nghiệm thêm nhiều tập liệu để đánh giá tốt cách cải tiến dùng kỹ thuật ESAX giải thuật chiếu ngẫu nhiên-Random Projection nhận dạng mơ-típ hình ảnh, so sánh hai cách tạo ma trận xoay xoay RT1,RT2 ii) Hướng phát triển thêm luận văn tìm cách cải thiện thời gian chạy giải thuật Luận Văn Thạc Sĩ – Trần Công Thanh 91 Phát mơ-típ liệu chuỗi thời gian hình ảnh Tài liệu tham khảo TÀI LIỆU THAM KHẢO [1] Agrawal, R., Faloutsos, C and Swami,A.N., 1993, Efficient Similarity Search in Sequence Databases, Proc 4th Int Conf on Foundations of Data Organization and Algorithms (FODO), pp 69-84 [2] Agrawal, R., Lin, K., Sawhney, H.S., and Shim, K., 1995, Fast similarity search in the presence of noise, scaling, and translation in time-series databases In Proceedings of the 21st International Conference on Very Large Databases, VLDB95, Zurich, Switzerland, pp 490-501 [3] Berndt, D and Clifford J., 1994, Using dynamic time warping to find patterns in time series In Proceedings of AAAI Workshop on Knowledge Discovery in Databases, KDD-94, Seattle, Washington, USA, pp 359-370 [4] Buhler.J and Tompa.M, Finding motifs using random projections proceedings of the 5th In Int’l Conference on Computational Molecular Biology Montreal, Canada, Apr 22-25 pp 67-74, 2001 [5] Chan, K., Fu, A W., 1999, Efficient time series matching by wavelets In Proceedings of the 15th IEEE International Conference on Data Engineering, Sydney, Australia, pp 126-133 [6] Chiu B, Keogh E, & Lonardi S, (2003), Probabilistic Discovery of Time Series Motifs, The 9th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, August 24 - 27, 2003, Washington, DC, USA, pp 493-498 [7] Duong Tuan Anh, 2009, An Overview of Similarity Search in Time Series Data, Proceedings of the 11th Conference on Science and Technology - Luận Văn Thạc Sĩ – Trần Cơng Thanh 95 Phát mơ-típ liệu chuỗi thời gian hình ảnh Tài liệu tham khảo Section of Computer Science and Engineering, Ho Chi Minh City University of Technology, 21-23 October, 2009, pp 86-95 [8] Keogh, E., Chakrabarti, K., Pazzani, M & Mehrotra, S (2000) Dimensionality Reduction for Fast Similarity Search in Large Time Series Databases Knowledge and Information Systems volume (number 3): 263286 [9] Keogh, E., Chakrabarti, K., Pazzani,M and Mehrotra, S, 2001, Locally adaptive dimensionality reduction for indexing large time series databases, Proceedings of the 2001 ACM SIGMOD Conference on Management of Data, May 21-24, 2001, pp 151-162 [10] Keogh E and Pazzani M., 1998, An enhanced representation of time series which allows fast and accurate classification, clustering and relevance feedback, In Proceedings of the 4th International Conference on Knowledge Discovery and Data Mining, New York, NY, Aug 27-31 pp 239-241 [11] Keogh E., et al., 2001, An online algorithm for segmenting time series In Proceedings of the IEEE International Conference on Data Mining, California, USA, pp 289-296 [12] Keogh E., Wei L., Xiaopeng Xi, Sang-Hee Lee and Michail Vlachos (2006) LB_Keogh Supports Exact Indexing of Shapes under Rotation Invariance with Arbitrary Representations and Distance Measures, VLDB 2006, pp 882-893, Now a VLDB Journal paper [13] Keogh E., Mining Shape and Time Series Databases with Symbolic Representations, SIGKDD 2007 Tutorial [14] Lin, J, Keogh, E, Patel, P, & Lonardi, S, (2002), Finding motifs in time series, In the 2nd Workshop on Temporal Data Mining, at the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Edmonton, Alberta, Canada Luận Văn Thạc Sĩ – Trần Cơng Thanh 96 Phát mơ-típ liệu chuỗi thời gian hình ảnh Tài liệu tham khảo [15] Lin, J., Keogh, E., Lonardi, S & Chiu, B (2003) A Symbolic Representation of Time Series, with Implications for Streaming Algorithms, In proceedings of the 8th ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery, San Diego, CA, June 13 [16] Lkhagva B., Suzuki, Y and Kawagoe, K., 2006, New Time Series Data Representation ESAX for Financial Applications In Proceedings of the International Special Workshop on Databases for Next-Generation Researchers (SWOD 2006) in conjunction with International Conference on Data Engineering, ICDE 2006, Georgia, USA, pp 17-22 [17] Shasha, D & Wang, T (1990), New techniques for best-match retrieval, ACM Trans on Information Systems, Vol 8(2) pp 140-158 [18] Shieh, J and Keogh, E., 2008, iSAX: Indexing and Mining Terabyte sized Time Series, Proc of SIGKDD 2008 [19] Wei, L., Keogh, E., Xi X., Yoder, M.,(2006), Efficiently finding unusual shapes in large image databases, ICDM 2006, Now a Data Mining and Knowledge Discovery Journal paper, Volume 17, Number 3, 343-376 [20] Xi, X., Keogh, E., Wei, L., Mafra-Neto, A (2007), Finding Motifs in Database of Shapes, SIAM International Conference on Data Mining (SDM'07) [21] Zhang, D and Lu, G 2004 Review of shape representation and description techniques Pattern Recognition, 37(1): 1-19 [22] Database http://www.cs.ucr.edu/~eamonn/shape/shape.htm [23] Database http://www.cs.umd.edu/~hbling/Research/Botany/data.htm Luận Văn Thạc Sĩ – Trần Công Thanh 97 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Phụ lục A PHỤ LỤC A: BẢNG ĐỐI CHIẾU THUẬT NGỮ ANH - VIỆT Thuật ngữ tiếng Anh Thuật ngữ tiếng Việt Viết tắt breakpoint điểm ngắt classification phân loại clustering gom cụm collision matrix ma trận đụng độ dimensional reduction thu giảm số chiều Discrete Fourier Transform phép biến đổi Fourier rời rạc DFT Discrete Wavelet Transform phép biến đổi Wavelet rời rạc DWT discretization rời rạc hoá distance khoảng cách Enumeration of Motifs through Matrix Approximation EMMA Extended Symbolic Aggregate approXimation xấp xỉ gộp ký hiệu hoá mở rộng ESAX Extended Piecewise Aggregate Approximation Xấp xỉ gộp đoạn mở rộng EPAA feature đặc trưng frame khung longest common subsequence chuỗi chung dài Rotation invariant Bất biến với góc xoay Rotation matrix Ma trận xoay Rotation invariant Eulidean Distance Độ đo Eulid bất biến với góc xoay Luận Văn Thạc Sĩ-Trần Cơng Thanh RED A1 Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh match trùng khớp mean giá trị trung bình motif Mơ típ moving average trung bình di chuyển nearest-neighbor motif mơ típ liền kề gần neighborhood nhóm lân cận non-trivial nearest neighbor Lân cận gần không tầm thường Piecewise Aggregate Approximation xấp xỉ gộp đoạn Random Projection Algorithm giải thuật chiếu ngẫu nhiên Phụ lục A PAA protein motif extraction with neuro- nhận dạng mơ típ Protein sử fuzzy optimization dụng mạng neuron tối ưu logic mờ Singular Value Decomposition phân rã trị kỳ dị standard normal distribution phân bố chuẩn chuẩn hoá subsequence chuỗi suffix linked tree hậu tố liên kết suffix tree hậu tố Symbolic Aggregate approXimation xấp xỉ gộp ký hiệu hoá time series chuỗi thời gian time warping xoắn thời gian trivial match trùng khớp tầm thường Tightness of Lower Bound Độ chặt cận Luận Văn Thạc Sĩ-Trần Cơng Thanh SVD SAX A2 LÝ LỊCH TRÍCH NGANG Họ tên: TRẦN CÔNG THANH Ngày, tháng, năm sinh: 12/02/1985 Nơi sinh: Tiền giang Email: trancongthanhbk03@gmail.com QUÁ TRÌNH ĐÀO TẠO: Từ 09/2003 đến 4/2008: học đại học khoa Điện – Điện tử, trường Đại học Bách Khoa – ĐHQG Tp.HCM Từ 02/2009 đến 05/2009: học chuyển đổi, bổ túc kiến thức chương trình Cao học trường Đại học Bách Khoa chuyên ngành Khoa Học Máy tính Từ 09/2009 đến 04/2012: học Cao học khoa Khoa Học Máy Tính, trường Đại học Bách Khoa – ĐHQG Tp.HCM ... giải thuật xử lý chuỗi thời gian biến đổi hình ảnh sang dạng chuỗi thời gian thực bước xử lý chuỗi thời gian bình thường Hình ảnh tạm thời quan tâm đến hình dạng (shape), tức biên dạng bên ngoài,... (xem hình 3.5), lĩnh vực sinh học: hình ảnh cây, thỏ … Cụ thể tốn nhận dạng mơ-típ hình ảnh để sử dụng giải thuật ứng dụng liệu chuỗi thời gian cần biến đổi hình ảnh sang chuỗi thời gian Chuỗi thời. .. hiệu… chuỗi thời gian chuyển từ chữ viết … Hình 1.1 Minh họa chuỗi thời gian Luận Văn Thạc Sĩ – Trần Cơng Thanh Nhận dạng mơ-típ liệu chuỗi thời gian hình ảnh Chương 1: Giới thiệu đề tài Hình ảnh