时序分析：串匹配-KMP算法

图像处理与模式识别的教科书使用大量的章节来描述空域的模式识别方法。从图像底层特征提取、贝叶斯方法到多层神经网络方法，一般不讨论到对象随时间变化的情况，视频处理应用和在线学习方法使研究对象开始向时域延伸。

从不同的角度来看待时序模式识别：时间序列分析基础

一些摘抄：

时间序列分析说白了就是寻找时间序列中的模式。如果是在确定性时间序列中，这就基本等价于寻找序列的通项公式。

当然实际的时间序列分析基本都是针对随机时间序列。对于随机时间序列，情况会复杂一些，但本质上还是可以看做寻找通项公式（可以是封闭形式或递推形式--一个函数），只不过我们面对的序列存在随机扰动，所以分析过程中除了确定性序列分析的技术外，还需要一些概率统计方面的知识和方法。

时间序列分析实际上是寻找随机时间序列中的模式，所以首先要对时间序列做一个假设，假设其符合某个模式。具体一点，就是时间序列可以用一个函数（可以包含随机变量）来描述。函数的自变量是时刻，值是这个时刻序列的值。例如上例中的白噪声可以用f(t)=e描述，其中e是一个服从标准正态分布的随机变量。
时间序列分析的核心工作之一就是根据观察到的序列值来估计这个函数。

时序分析的特点：

时间相关性、模式的速度和间隙、模式的离散和连续。

1、KMP算法

请移步原文链接：用于序列识别的KMP算法

字符串匹配可以看做是最简单的时序分析应用，字符串处理的模式简单且清晰，KMP算法也被写到数据结构一书，成为基本算法的一只。