转载自：http://www.tuicool.com/articles/Ibeuu2

Dynamic Time Warping（DTW）是一种衡量两个时间序列之间的相似度的方法，主要应用在语音识别领域来识别两段语音是否表示同一个单词。

1. DTW方法原理

在时间序列中，需要比较相似性的两段时间序列的长度可能并不相等，在语音识别领域表现为不同人的语速不同。而且同一个单词内的不同音素的发音速度也不同，比如有的人会把“A”这个音拖得很长，或者把“i”发的很短。另外，不同时间序列可能仅仅存在时间轴上的位移，亦即在还原位移的情况下，两个时间序列是一致的。在这些复杂情况下，使用传统的欧几里得距离无法有效地求的两个时间序列之间的距离（或者相似性）。

DTW通过把时间序列进行延伸和缩短，来计算两个时间序列性之间的相似性：

如上图所示，上下两条实线代表两个时间序列，时间序列之间的虚线代表两个时间序列之间的相似的点。DTW使用所有这些相似点之间的距离的和，称之为 归整路径距离 (Warp Path Distance)来衡量两个时间序列之间的相似性。

2. DTW计算方法：

令要计算相似度的两个时间序列为X和Y，长度分别为|X|和|Y|。

归整路径(Warp Path)

归整路径的形式为W=w 1 ,w 2 ,...,w K， 其中Max(|X|,|Y|)<=K<=|X|+|Y|。

w k 的形式为(i,j)，其中i表示的是X中的i坐标，j表示的是Y中的j坐标。

归整路径W必须从w1=(1,1)开始，到wK=(|X|,|Y|)结尾，以保证X和Y中的每个坐标都在W中出现。

另外，W中w(i,j)的i和j必须是单调增加的，以保证图1中的虚线不会相交，所谓单调增加是指：

最后要得到的归整路径是距离最短的一个归整路径：

最后求得的归整路径距离为D(|X|,|Y|)，使用动态规划来进行求解：

上图为代价矩阵(Cost Matrix) D，D(i,j)表示长度为i和j的两个时间序列之间的归整路径距离。

3. DTW实现：

matlab代码：

复制代码 
function dist = dtw(t,r)
n = size(t,1);
m = size(r,1);
% 帧匹配距离矩阵
d = zeros(n,m);
for i = 1:n
  for j = 1:m
    d(i,j) = sum((t(i,:)-r(j,:)).^2);
  end
end
% 累积距离矩阵
D = ones(n,m) * realmax;
D(1,1) = d(1,1);
% 动态规划
for i = 2:n
  for j = 1:m
    D1 = D(i-1,j);
    if j>1
      D2 = D(i-1,j-1);
    else
      D2 = realmax;
    end
    if j>2
      D3 = D(i-1,j-2);
    else
      D3 = realmax;
    end
    D(i,j) = d(i,j) + min([D1,D2,D3]);
  end
end
dist = D(n,m);
复制代码

C++实现：

dtwrecoge.h

 View Code 
/***dtwrecoge.h*********************************************************************/
#ifndef dtwrecoge_h
#define dtwrecoge_h

#include<stdio.h>
#include<math.h>

#define DTWMAXNUM 2000
#define MAX(a,b) ((a)>(b)?(a):(b))
#define MIN(a,b) ((a)<(b)?(a):(b))
#define ABS(a) ((a)>0?(a):(-(a)))
#define DTWVERYBIG 100000000.0

/*****************************************************************************/
/* DTWDistance，求两个数组之间的匹配距离
/* A,B分别为第一第二个数组，I，J为其数组长度，r为匹配窗口的大小
/* r的大小一般取为数组长度的1/10到1/30
/* 返回两个数组之间的匹配距离,如果返回－1.0，表明数组长度太大了
/*****************************************************************************/
double DTWDistanceFun(double *A,int I,double *B,int J,int r);

/*****************************************************************************/
/* DTWTemplate，进行建立模板的工作
/* 其中A为已经建立好的模板，我们在以后加入训练样本的时候，
/* 以已建立好的模板作为第一个参数，I为模板的长度，在这个模板中不再改变
/* B为新加入的训练样本，J为B的长度，turn为训练的次数，在第一次
/* 用两个数组建立模板时，r为1，这是出于权值的考虑
/* temp保存匹配最新训练后的模板，建议temp[DTWMAXNUM]，函数返回最新训练后模板的长度
/* 如果函数返回-1，表明训练样本之间距离过大，需要重新选择训练样本，
/* tt为样本之间距离的阈值，自行定义
/*****************************************************************************/
int DTWTemplate(double *A,int I,double *B,int J,double *temp,int turn,double tt,double *rltdistance);

#endif

 dtwrecoge.cpp

 View Code 
/*dtwrecoge.cpp**************************************************************/

#include "dtwrecoge.h"
double distance[DTWMAXNUM][DTWMAXNUM]; /*保存距离*/
double dtwpath[DTWMAXNUM][DTWMAXNUM]; /*保存路径*/

/*****************************************************************************/
/* DTWDistance，求两个数组之间的匹配距离
/* A,B分别为第一第二个数组，I，J为其数组长度，r为匹配窗口的大小

/* r的大小一般取为数组长度的1/10到1/30
/* 返回两个数组之间的匹配距离,如果返回－1.0，表明数组长度太大了
/*****************************************************************************/
double DTWDistanceFun(double *A,int I,double *B,int J,int r)
{
  int i,j;
  double dist;
  int istart,imax;
  int r2=r+ABS(I-J);/*匹配距离*/
  double g1,g2,g3;
  int pathsig=1;/*路径的标志*/

  /*检查参数的有效性*/
  if(I>DTWMAXNUM||J>DTWMAXNUM){
    //printf("Too big number\n");
    return -1.0;
  }
  
  /*进行一些必要的初始化*/
  for(i=0;i<I;i++){
    for(j=0;j<J;j++){
      dtwpath[i][j]=0;
      distance[i][j]=DTWVERYBIG;
    }
  }
  
  /*动态规划求最小距离*/
  /*这里我采用的路径是 -------
                . |
              .   |
              .	 |
            .	   |
   */
  distance[0][0]=(double)2*ABS(A[0]-B[0]);
  for(i=1;i<=r2;i++){
    distance[i][0]=distance[i-1][0]+ABS(A[i]-B[0]);
  }
  for(j=1;j<=r2;j++){
    distance[0][j]=distance[0][j-1]+ABS(A[0]-B[j]);
  }
  
  for(j=1;j<J;j++){
    istart=j-r2;
    if(j<=r2)
      istart=1;
    imax=j+r2;
    if(imax>=I)
      imax=I-1;
    
    for(i=istart;i<=imax;i++){
      g1=distance[i-1][j]+ABS(A[i]-B[j]);
      g2=distance[i-1][j-1]+2*ABS(A[i]-B[j]);
      g3=distance[i][j-1]+ABS(A[i]-B[j]);
      g2=MIN(g1,g2);
      g3=MIN(g2,g3);
      distance[i][j]=g3;
    }
  }
    
  dist=distance[I-1][J-1]/((double)(I+J));
  return dist;
}/*end DTWDistance*/

/*****************************************************************************/
/* DTWTemplate，进行建立模板的工作
/* 其中A为已经建立好的模板，我们在以后加入训练样本的时候，
/* 以已建立好的模板作为第一个参数，I为模板的长度，在这个模板中不再改变
/* B为新加入的训练样本，J为B的长度，turn为训练的次数，在第一次
/* 用两个数组建立模板时，r为1，这是出于权值的考虑
/* temp保存匹配最新训练后的模板，建议temp[DTWMAXNUM]，函数返回最新训练后模板的长度
/* 如果函数返回-1，表明训练样本之间距离过大，需要重新选择训练样本，
/* tt为样本之间距离的阀值，自行定义
/* rltdistance保存距离，第一次两个数组建立模板时可以随意赋予一个值，
/* 后面用前一次返回的值赋予该参数
/*****************************************************************************/
int DTWTemplate(double *A,int I,double *B,int J,double *temp,int turn,double tt,double *rltdistance)
{
  double dist;
  int i,j;
  int pathsig=1;
  dist=DTWDistanceFun(A,I,B,J,(int)(I/30));
  if(dist>tt){
    printf("\nSample doesn't match!\n");
    return -1;
  }
    
  if(turn==1)
    *rltdistance=dist;
  else{
    *rltdistance=((*rltdistance)*(turn-1)+dist)/turn;
  }
  /*寻找路径,这里我采用了逆向搜索法*/
  i=I-1;
  j=J-1;
  while(j>=1||i>=1){
    double m;
    if(i>0&&j>0){
      m=MIN(MIN(distance[i-1][j],distance[i-1][j-1]),distance[i][j-1]);
      if(m==distance[i-1][j]){
        dtwpath[i-1][j]=pathsig;
        i--;
      }
      else if(m==distance[i-1][j-1]){
        dtwpath[i-1][j-1]=pathsig;
        i--;
        j--;
      }
      else{
        dtwpath[i][j-1]=pathsig;
        j--;
      }
    }
    else if(i==0){
      dtwpath[0][j-1]=pathsig;
      j--;
    }
    else{/*j==0*/
      dtwpath[i-1][0]=pathsig;
      i--;
    }
  }
  dtwpath[0][0]=pathsig;
  dtwpath[I-1][J-1]=pathsig;
  
  /*建立模板*/
  for(i=0;i<I;i++){
    double ftemp=0.0;
    int ntemp=0;
    for(j=0;j<J;j++){
      if(dtwpath[i][j]==pathsig){
        ftemp+=B[j];
        ntemp++;
      }
    }
    ftemp/=((double)ntemp);
    temp[i]=(A[i]*turn+ftemp)/((double)(turn+1));/*注意这里的权值*/
  }
  
  return I;/*返回模板的长度*/
}//end DTWTemplate
# 动态规划 # 语音识别
Logo
CSDN学习社区

CSDN联合极客时间，共同打造面向开发者的精品内容学习社区，助力成长！

更多推荐

嵌入式作业（七）：基于Ardunio的STM32串口通信

嵌入式作业（七）0作业要求1Ardunio 完成STM32的串口通信（1）安装Ardunio IDE（2）stm32串口通信2关于 stduino IDE0作业要求安装 Ardunio IDE 和相关软件支持库，在Ardunio 完成STM32板子的串口通信程序：（1）持续向串口输出“Hello world！”；（2）当接收到“stop!”时，停止输出。网上有一个国人版的MCU集成开发平台， st

avatar CSDN学习社区

JDBC详解

JDBC文章目录JDBC什么是JDBC?JDBC驱动程序:Java使用JDBC访问数据库的步骤:设置classpath:Oracle连接字符串的书写格式:简单的例子:常用数据库的驱动程序及JDBC URL:Oracle数据库:SQL Server数据库MySQL数据库Access数据库PreparedStatement接口:JNDI-数据源（Data Source）与连接池（Connection

avatar CSDN学习社区

“模式识别与机器学习”学习笔记no2.再谈感知机

接**上篇：上篇主要进行了PLA，Pocket算法的理论过程分析和在给定数据集上利用pocket算法对数据集进行分类学习，得到错分数量最少的分类面。上篇中pocket算法的过程已经进行了编程和测试，框架已经建立了起来，这一篇主要上篇中没有提到或涉及不深的几个问题。1.数据集的构造。上篇是直接使用了题目给的向量，这次来根据正态分布来产生数据集。np.random.normal函数可以根据均值和方差生

avatar CSDN学习社区