新浪博客

DTW(动态时间归整)的详细介绍

2017-03-09 23:24阅读:
DTWDynamic Time Warping,动态时间归整)算法,在孤立词语音识别中得到应用。DTW主要解决的是两个模板之间的距离。一般情况下,在维数或者序列数量相同的状况下使用欧式距离或者马氏距离均可以得到两个模板之间的相似度。但当维数或者序列数量不同,不能一一对应的时候,则需要使用DTW算法来进行扩充或缩减到相同序列数,再进行距离计算。DTW主要是解决这个问题。
我们举个简单的例子即可理解DTW主要是做什么的。
DTW(动态时间归整)的详细介绍
DTW(动态时间归整)的详细介绍


k != j时,则需要使用DTWMN进行规整,使其两个模板之间的维数或者序列数相同,然后再计算其距离。

假设j = 5, k = 4,则首先计算出每个mn之间的距离,组成mn列矩阵p(m,n),假设其组成的矩阵如下,其中值为mn的距离,距离越小,越相似
DTW(动态时间归整)的详细介绍

s(j,k)表示从p(0,0)p(j,k)点的距离,假设p(0,0)的距离s(0,0)=0;


DTW(动态时间归整)的详细介绍

这样则s(1,1) = s(0,0)+d(1,1) = 3
s(1,2)= min{[s(1,1)+d(1,2)]} = 3+1=4
s(2,1)= 3+2=5
s(2,2)=6
.......................................
计算结果见图,
故最终最短距离为10,前向最短连接得到的路径如图所示
D(M,N) = 10


以上就是DTW最形象的解释啦,大家应该都懂了吧!!!

我的更多文章

下载客户端阅读体验更佳

APP专享