Time-Normalization

最新推荐文章于 2022-08-04 00:01:27 发布
最新推荐文章于 2022-08-04 00:01:27 发布
阅读量463 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_26769591/article/details/87689546
版权

Abstract：
谈谈我对Time-Normalization的理解

文献：
Sakoe H, Chiba S, Waibel A, et al. Dynamic programming algorithm optimization for spoken word recognition[J]. Readings in speech recognition, 1990, 159: 224.

文章目录

1什么是time-normalization

通俗的来讲就是，讲时间的维度压缩到一个同一个标准之下，其实就是为了两个时间序列可以进行比较

2什么是DP

全称dynamic programming (DP) based time-normalization algorithm ，说白看就是，时间正则化的方法，也就是匹配算法，匹配好了 便是时间对应好了，也就是说和同一个标准对应上了

3如何求解

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
综上：目标是找到一条路径 让D最小、

4关于问题约束

一些基本约束
在这里插入图片描述
在这里插入图片描述在这里插入图片描述
注意：这里的r是一个全局的约束
还有一个最重要的 Slope constraint condition:
简言之，就是当垂直或者水平方向走了 m步 之后，就必须斜着走n步，否则不能在原来的方向上继续走
在这里插入图片描述
根据上述约束 得到两个例子P=1，第二个例子中还额外附加了一个不允许走直角的条件
在这里插入图片描述
其他的类型
在这里插入图片描述

5关于权重W

权重的方法，有很多，它们共同的特点就是，尽量减少垂直或者是水平的方向运动。此外 它们的和最好是一个常数
这里有一种对称的和一种非对称的权重 设计方式，可以参考
在这里插入图片描述
示意图都在下面
在这里插入图片描述

最终关于DP的表达式

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

其他的一些DP算法及实验结果

在这里插入图片描述

在这里插入图片描述

追风之人YL
关注
专栏目录
PyTorch笔记 - Normalization Layer (Batch/Layer/Instance/Group/Weight)
Mystra
12-23 846
统计量：statistic term。
Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization论文理解
ggyy的NoteBook
07-04 1675
文章目录摘要介绍和相关工作背景Batch NormalizationLayer NormalizationInstance NormalizationGroup NormalizationConditional Instance Normalization解释INAdaptive Instance Normalization实验网络结构训练过程结果QuantitativeSpeedAddition...
《利用Python进行数据分析》学习笔记 第11章 时间序列
jasonzhang0105的博客
04-23 556
第11章 时间序列 时间序列数据的意义取决于具体的应用场景，主要有以下几种： 时间戳（timestamp），特定的时刻。 固定时期（period），如2007年1月或2010年全年。 时间间隔（interval），由起始和结束时间戳表示。时期（period）可以被看做间隔（interval）的特例。 实验或过程时间，每个时间点都是相对于特定起始时间的一个度量。 11.1 日期和时间数据...
NLP工具——自制英文时间标准化工具
weixin_44826203的博客
08-04 778
自己实现的一个英文场景的时间标准化工具，可以把描述性的时间转化为标准的YYYY-MM-DD格式。
动态规划-时间规整算法
guomutian911的专栏
01-22 6442
DTW(Dynamic Time Warping,动态时间归整)算法,该算法基于动态规划(DP)的思想,解决了发音长短不一的模板匹配问题,是语音识别中出现较早、较为经典的一种算法。
论文精读（一）landsat时间序列变化检测
weixin_42218353的博客
04-11 3017
论文精读（一） Change detection using landsat time series: A review of frequencies,preprocessing, algorithms, and applications （朱哲，2017） 文章原文[link]https://www.sciencedirect.com/science/article/pii/S09242716...
Dynamic time warping 动态时间规整算法（DTW）
luxiaoxun的专栏
07-08 8031
Dynamic time warping  (DTW) is an algorithm for measuring similarity between two sequences which may vary in time or speed. For instance, similarities in walking patterns would be detected, even if i
LSTM-Neural-Network-for-Time-Series-Prediction-master.rar
06-13
标题中的“LSTM-Neural-Network-for-Time-Series-Prediction-master”暗示了这是一个关于使用长短期记忆（LSTM）神经网络进行时间序列预测的项目。时间序列预测是一种利用历史数据来预测未来的统计方法，特别适合...
de-normalization lstm-neural-network-for-time-series-prediction-master
最新发布
08-08
LSTM神经网络是一种常用于处理和预测时间序列...总之，denormalization在"LSTM-Neural-Network-for-Time-Series-Prediction"项目中起到了恢复预测结果的原始尺度和幅度的作用，使我们能够更好地理解和分析预测结果。
中文语言中的时间识别TimeNLP.zip
07-19
Time-NLP 中文语句中的时间语义识别 author：shinyke 本工具是由复旦NLP中的时间分析功能修改而来，做了很多细节和功能的优化，具体如下： 泛指时间的支持，如：早上、晚上、中午、傍晚等。 时间未来倾向。 如：在周五输入“周一早上开会”，则识别到下周一早上的时间；在下午17点输入：“9点送牛奶给隔壁的汉子”则识别到第二天上午9点。 多个时间的识别，及多个时间之间上下文关系处理。如："下月1号下午3点至5点到图书馆还书"，识别到开始时间为下月1号下午三点。同时，结束时间也继承上文时间，识别到下月1号下午5点。 可自定义基准时间：指定基准时间为“2016-05-20-09-00-00-00”，则一切分析以此时间为基准。 修复了各种各样的BUG。 简而言之，这是一个输入一句话，能识别出话里的时间的工具。╮(╯▽╰)╭ 示例代码： /**  *   * 测试类  *   * @author kexm  * @version 1.0  * @since 2016年5月4日  *   */ public class TimeAnalyseTest {     @Test     public void test(){         String path = TimeNormalizer.class.getResource("").getPath();         String classPath = path.substring(0, path.indexOf("/com/time"));         System.out.println(classPath "/TimeExp.m");         TimeNormalizer normalizer = new TimeNormalizer(classPath "/TimeExp.m");         normalizer.parse("Hi，all.下周一下午三点开会");// 抽取时间         TimeUnit[] unit = normalizer.getTimeUnit();         System.out.println("Hi，all.下周一下午三点开会");         System.out.println(DateUtil.formatDateDefault(unit[0].getTime())   "-"   unit[0].getIsAllDayTime());          normalizer.parse("早上六点起床");// 注意此处识别到6天在今天已经过去，自动识别为明早六点（未来倾向，可通过开关关闭：new TimeNormalizer(classPath "/TimeExp.m", false)）         unit = normalizer.getTimeUnit();         System.out.println("早上六点起床");         System.out.println(DateUtil.formatDateDefault(unit[0].getTime())   "-"   unit[0].getIsAllDayTime());         normalizer.parse("周一开会");// 如果本周已经是周二，识别为下周周一。同理处理各级时间。（未来倾向）         unit = normalizer.getTimeUnit();         System.out.println("周一开会");         System.out.println(DateUtil.formatDateDefault(unit[0].getTime())   "-"   unit[0].getIsAllDayTime());         normalizer.parse("下下周一开会");//对于上/下的识别         unit = normalizer.getTimeUnit();         System.out.println("下下周一开会");         System.out.println(DateUtil.formatDateDefault(unit[0].getTime())   "-"   unit[0].getIsAllDayTime());  
pandas小记：pandas时间序列分析和处理Timeseries
皮皮blog
08-15 10万+
http://blog.csdn.net/pipisorry/article/details/52209377pandas 最基本的时间序列类型就是以时间戳（TimeStamp）为 index 元素的 Series 类型。其它时间序列处理相关的包[P4J 0.6: Periodic light curve analysis tools based on Information Theory][p4
正态分布的应用——基于偏度系数解释发展水平
qq_40433634的博客
09-25 6146
内容导入： 大家好，这里是每天分析一点点。本期给大家介绍的是数据分析基础系列，主要给大家介绍描述性统计分析原理，介绍偏度的基本原理，包括偏度概念、作用、计算方式、判断标准、应用，再结合区域工资水平，探讨偏度在实际数据分析中的应用。文章内容适合数据分析小白，内容深入浅出，案例贴合实际。下期给大家介绍峰度系数，欢迎大家关注。 概念介绍： 偏度的概念： 偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征，所谓非对称就是指左右的不一致。偏度(Skewness)亦称偏态、偏态系数。它是
java time nlp_GitHub - shinyke/Time-NLP: 中文语句中的时间语义识别。即通过分析中文语句，识别出话语中提到的时间。...
weixin_34135180的博客
02-27 635
Time-NLP#中文语句中的时间语义识别author：shinyke本工具是由复旦NLP中的时间分析功能修改而来，做了很多细节和功能的优化，具体如下：泛指时间的支持，如：早上、晚上、中午、傍晚等。时间未来倾向。 如：在周五输入“周一早上开会”，则识别到下周一早上的时间；在下午17点输入：“9点送牛奶给隔壁的汉子”则识别到第二天上午9点。多个时间的识别，及多个时间之间上下文关系处理。如："下月1号...
时间序列的归一化方法
weixin_30783913的博客
03-30 3179
在机器学习、模式识别的模型训练之前，通常需要对数据进行预处理工作，在哪种情况下选用哪种预处理方法，仍然是很多工作人员比较头疼的事情。本人前面的两篇博客总结了一些比较常用的数据归一化方法： 数据预处理之归一化 再谈机器学习中的归一化方法 这两篇博客介绍的都是针对非时间序列的数据进行的一些常规操作。由于时间序列的特殊性(1、相邻序列之间的模式相关性，2、在时间维度上数据是不断产生...
时间序列预测基础教程系列(13)_归一化和标准化的区别与方法(Python)
AI量化交易实验室
12-30 1万+
导读： 数据的预处理方法有两种，分别是归一化和标准化 什么时候用归一化？什么时候用标准化？   （1）如果对输出结果范围有要求，用归一化。   （2）如果数据较为稳定，不存在极端的最大最小值，用归一化。   （3）如果数据存在异常值和较多噪音，用标准化，可以间接通过中心化避免异常值和极端值的影响。 正文： 完成本教程后，您将了解： 使用标准化的数据规范化和期望的局限性。 需要什么参数以...
BatchNormalization、LayerNormalization、InstanceNorm、GroupNorm、SwitchableNorm总结
热门推荐
I am what i am
07-13 12万+
本篇博客总结几种归一化办法，并给出相应计算公式和代码。 1、综述 1.1 论文链接 1、Batch Normalization https://arxiv.org/pdf/1502.03167.pdf 2、Layer Normalizaiton https://arxiv.org/pdf/1607.06450v1.pdf 3、Instance Normalization h...
Live555学习之(五)------live555ProxyServer.cpp的学习
04-22 313
　　live555ProxyServer.cpp在live/proxyServer目录下，这个程序展示了如何利用live555来做一个代理服务器转发rtsp视频（例如，IPCamera的视频）。 　　首先来看一下main函数 1 int main(int argc, char** argv) 2 { 3 // Increase the maximum size o...
几种范数的简单介绍
sdujava2011
09-19 9483
本文转自http://blog.csdn.net/shijing_0214/article/details/51757564，所有权力归原作者所有。 什么是范数？ 我们知道距离的定义是一个宽泛的概念，只要满足非负、自反、三角不等式就可以称之为距离。范数是一种强化了的距离概念，它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解，我们可以把范数当作距离来理解。 在数学上，范数
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值