DTW（Dynamic Time Warping，动态时间归整）的介绍

最新推荐文章于 2024-07-30 14:22:19 发布

君子美玉

最新推荐文章于 2024-07-30 14:22:19 发布

阅读量2.5w

点赞数 1

分类专栏：机器学习文章标签： distance output 算法生活语言 c

本文链接：https://blog.csdn.net/kingskyleader/article/details/6244011

版权

DTW算法是为了解决时间序列中的距离计算问题，特别是对于发音长短不一的模板匹配。它通过动态规划找到最佳对应路径，避免了欧式距离在时间序列比较中的局限性。在语音识别和机器学习领域有广泛应用。文章以一个实例展示了DTW如何通过调整时间序列，减少距离和，并给出了简单的C语言实现。

摘要由CSDN通过智能技术生成

在日常的生活中我们最经常使用的距离毫无疑问应该是欧式距离，但是对于一些特殊情况，欧氏距离存在着其很明显的缺陷，比如说时间序列，举个比较简单的例子，序列A：1,1,1,10,2,3，序列B：1,1,1,2,10,3，如果用欧氏距离，也就是distance[i][j]=(b[j]-a[i])*(b[j]-a[i])来计算的话，总的距离和应该是128，应该说这个距离是非常大的，而实际上这个序列的图像是十分相似的，这种情况下就有人开始考虑寻找新的时间序列距离的计算方法，然后提出了DTW算法，这种方法在语音识别，机器学习方便有着很重要的作用。

这个算法是基于动态规划（DP）的思想，解决了发音长短不一的模板匹配问题，简单来说，就是通过构建一个邻接矩阵，寻找最短路径和。

还以上面的2个序列作为例子，A中的10和B中的2对应以及A中的2和B中的10对应的时候，distance[3]以及distance[4]肯定是非常大的，这就直接导致了最后距离和的膨胀，这种时候，我们需要来调整下时间序列，如果我们让A中的10和B中的10 对应，A中的1和B中的2对应，那么最后的距离和就将大大缩短，这种方式可以看做是一种时间扭曲，看到这里的时候，我相信应该会有人提出来，为什么不能使用A中的