随着电子设备和存储装置的容量和访问速度的提升,人类社会所产生出的数据量不断增加,对于海量数据的研究分析也成为各行各业的迫切需求。时序数据分类技术是大数据分析中的重要技术之一,它可以用于对时序数据进行分类。这种技术能够从海量数据中挖掘出数据的分布规律,从而对数据所处的不同状态进行识别。传统的时序数据分类方法通常是基于一些统计学指标来进行分类,分类的对象通常是整段数据。但是这样做会导致检测计算量大、对于长序列或高维序列的检测效率低。目前,一些基于人工智能的分类方法也逐渐涌现,它们通常是BYL719使用一些机器学习或深度学习的模型对整段时序数据进行分类,但是这样的方法需要大量的带标签数据进行训练,同时对于一些复杂模型的解释性较差。突变点检测技术是大数据分析中的另一个重要技术,它可以快速地从海量数据中定位到突变点的位置,并分析其产生的原因。这种技术能够有效地从海量的数据中提取有用的信息,是大数据分析领域的热点方向。为了提高对于时序数据的快速分析与分类效率,本文在结合TSTKS算法和滑动窗口的多突变点检测模型的基础上提出了一种基于BP神经网络的时序数据段分类方法;提出了多种基于BP神经网络的自主滑动窗口检测模型,在对时序genetic purity数据检测分析时能够自适应调整滑动窗口的大小;并初步构建出一种能够对待检测数据进行癫痫发作定位及对癫痫发作阶段进行具体状态判断的专家系统模型。首先,利用不同固定大小的滑动窗口分别重复对时序数据流切分为多段数据,在每段子数据上使用TSTKS算法检测突变点,并由此得到每个子窗口内的相关特征值。在得到所有窗口的特征值后,组成输入样本矩阵作为训练数据训练出对应窗口大小的BP神经网络,之后即可利用训练出的神经网络实现对指定数据量大小的时序数据进行分类识别。基于癫痫脑电和肌电信号进行实验,结果证明基于BP神经网络的时序数据段分类方法能够准确地对数据段进行分类识别。其次,根据不同类别数据段的分布情况,构建出了适合每种类别的数据段的窗口备选集。然后利用构建出的窗口备选集,提出了三种基于BPhttps://www.selleck.cn/products/ve-822.html神经网络的自主滑动窗口检测模型。基于癫痫脑电和肌电信号进行,实验结果表明本文所提出的三种自主滑动窗口机制能够实现对检测时耗与分类精度的平衡,为专家系统的构建奠定了基础。最后,在回退机制下自主滑动窗口检测模型的基础上引入了先验知识判断机制,提出了一种基于神经网络与先验知识的病变识别方法。并基于上述方法,结合三条病变状态识别的推理规则,设计并实现了一个能对癫痫发作定位及对病变状态识别的专家系统模型。基于临床癫痫脑电信号对该专家系统模型进行实验,实验结果表明该模型能够对癫痫疾病的状态识别提出辅助性的指导意见。