动态时间规整算法(Dynamic Time Warping, DTW)之初探单词语音识别

 
　　动态时间规整算法(DTW)是最近接触的一种提取时间序列模板方法。本文主要是一些自己的学习记录，并适当地加入自己的理解。若有见解不一致之处，欢迎交流。

1 动态时间规整（DTW）基本思想

 
　　先从单词语音时间序列的规整问题引入DTW的基本思想。
　　假设下图两个时间序列对应的是同一个单词的发音（实则不是，只是为了便于理解）。黑色的线表示两个时间序列的相似的点（用幅度差异刻画时间序列点的相似性，幅度差异越小，相似性越高）。由于不同人语速上存在差异，某些人可能会把字母‘A’发得很长（延长发音），某些人却发得较短（短促发音），这样同一个字母展现出来的时间序列上就存在着很大的差异，如图中绿色圈出的时间波形所示。因此就需要对原始的两个时间序列进行规整，即对时间序列进行延伸和缩短，提取两个时间序列的相似性，从而对语音进行识别。
　

图1 动态时间规整基本思想

图2 时间序列规整结果

　　图2对应的就是原始时间序列的规整结果。
　　 所以动态时间规整的思想就是：通过对两个时间序列点之间的相似性进行比较（图1黑线），对原始时间序列进行拉伸到相同时间长度（原始时间序列的长度很可能不一致），进而比较两个时间序列的相似性。
　　 动态时间规整要解决的问题就是：找到一条最优的规整路径$W={\varpi }_1,{\varpi }_2...{\varpi }_k$，其中$w_k=(i,j)$，即认为时间序列1的第i个点和时间序列2的第j个点是相似的。所有相似点的距离之和作为规整路径距离，用规整路径距离来衡量两个时间序列的相似性。规整路径距离越小，相似度越高。

2 动态规划解DTW问题

 
　　假设原始时间序列为X,Y，它们的时间长度分别为$\left|X\right|$和$\left|Y\right|$。对于规整路径$W={\varpi }_1,{\varpi }_2...{\varpi }_k$