DTW
文章平均质量分 88
动态时间规整(Dynamic Time Warping)
ww大魔王^
这个作者很懒,什么都没留下…
展开
-
dtw-python
版本:dtw-python 1.3.0。原创 2023-04-07 17:07:30 · 600 阅读 · 0 评论 -
DTW 在遥感水稻制图中的应用进展
发明:语音识别。拓展:遥感影像处理。改进:导数-DDTW、权重-WDTW。原创 2023-04-03 22:40:36 · 666 阅读 · 0 评论 -
2001年《Derivative Dynamic Time Warping》Eamonn J K & Michael J P
导数 DTW:改变 DTW 距离中所用的特征,将 原始数据(Y值) 改为 一阶导数。原创 2023-03-29 11:13:24 · 464 阅读 · 0 评论 -
DTW:Dynamic Time Warping,动态时间规整
DTW 起源于语音识别领域,目的是衡量两个长度不同的序列的相似性(similarity)。DTW 的计算步骤为:① 计算两个序列中各点之间的距离矩阵 M ;② 寻找一条从矩阵的左上角到右下角的格点值之和最小的路径。原创 2023-03-25 16:24:42 · 435 阅读 · 0 评论 -
2016年《A Time-Weighted Dynamic Time Warping Method for Land-Use and Land-Cover Mapping》:TWDTW
TWDTW:使用 pattern 的长度 作为时间限制条件,将其加入 代价函数。原创 2023-03-27 18:01:31 · 532 阅读 · 1 评论 -
dtw-package(使用R语言应用DTW)
dtw-package 是 R语言对动态时间规整(DTW)算法的封装。DTW 计算了将 一个时序(query) 与 另一个时序(reference)的整个或部分序列 进行匹配时 时间轴上的扭曲。该算法会输出:① 两个序列经过匹配后的剩余累积距离(remaining、② 点与点之间的对应关系,即 匹配函数(在 dtw-package 中:dtw() 函数是整个包的主要入口,dtwDist() 用于在一个时序集合上迭代 dtw,plot.dtw() 是 DTW 对象的绘图方法;原创 2023-04-07 15:58:35 · 772 阅读 · 0 评论 -
2022 RS《Wetland Vegetation Classification through Multi-Dimensional Feature Time Series Using MDDTW》
基于 Mahalanobis distance 的 metric learning 的目的是:给定一个训练样本及 X,获取一个正半定对称矩阵(positive semi-definite symmetric matrix) M,从而建立样本的特征向量之间的关系。这样的话,训练样本之间的相似关系会被保留,相同样本的距离更近,不同类型的距离很远。对于本实验构建的多维特征时序,如果使用欧氏距离,每个特征(植被指数)的权重相同,且会忽略特征之间的关系。原本的 DTW 中,在计算两个点之间的距离时,使用欧氏距离。原创 2023-04-03 21:37:34 · 233 阅读 · 0 评论 -
2017年《An Open-Boundary Locally Weighted Dynamic TimeWarping Method for Cropland Mapping》
open-boundary DTW + weight原创 2023-03-30 11:34:14 · 42 阅读 · 0 评论 -
2011年《Weighted dynamic time warping for time series classification》
时间序列的分类、聚类 有许多应用,研究者们开发了许多算法。基于 DTW 的最近邻分类器 凭借其 非线性匹配能力 脱颖而出。然后简介了一下DTW及其应用领域。提出 DTW 的缺点:不考虑参考点和待测点之间的相位差异,对每个点赋予相同的权重。这可能会导致一些错误分类(misclassification)。尤其当是精确识别的主要因素时,两个序列之间的近邻点(neighboring points)会比其他点更重要。因此,实际应用中,应当考虑 点与点之间的。原创 2023-03-28 16:39:57 · 319 阅读 · 0 评论 -
1978年《Dynamic Programming Algorithm Optimization for Spoken Word Recognition》
动态时间规整(DTW)的发明原创 2023-03-29 16:28:00 · 218 阅读 · 0 评论 -
2019 RS《Object-Based Time-Constrained Dynamic TimeWarping Classification of Crops Using Sentinel-2》
比较了 应用了15、30、45、60 天的时间限制后,multiple single-band 和 multi-band的 DTW 的分类表现。首先将影像分割成 objects,然后对每个 object 利用 DTW 进行分类。原创 2023-03-30 17:21:16 · 53 阅读 · 0 评论 -
2023 RS《Optimization of Characteristic Phenological Periods for Winter Wheat Extraction Using RS》
及时、精确地获取冬小麦种植区域的重要性。遥感是一种主要手段。应用广泛的作物种植信息:光谱特征、时间特征、空间特征。大多机器学习方法只使用单幅影像,有局限。冬小麦与其他不过冬的作物相比,时序变化更加明显。简介 DTW。研究区域的重要性。现有研究的不足。原创 2023-04-03 22:39:03 · 92 阅读 · 0 评论 -
2016《Mapping Rice Cropping Systems Using an NDVI Time-Series Similarity Measurement Base on DTW》
越南(Vietnam)全国,水稻种植系统制图,MODIS NDVI序列,DTW。原创 2023-03-26 22:25:05 · 136 阅读 · 0 评论 -
2022 ISPRS《Effects of Landsat image acquisition date on winter wheat classification in North China》
多时相遥感影像的合成数据,可用于在区域和全球尺度上进行农作物用地制图。MODIS 数据时间分辨率高,在农作物制图中应用广泛;但它空间分辨率低。空间分辨率更高的 Landsat 5、Landsat 7 等数据,由于数据缺失或 SLC-off gaps 等问题,无法获取完整的观测数据。Landsat 8 时间分辨率为16天。在生长期内通常可用。已经成功用于一系列区域制图。时间序列延长,分类精度不会按比例提高。其会引发过拟合问题。因此,很有必要探索获取日期(时序长度)对分类精度的影响。原创 2023-04-03 16:41:58 · 80 阅读 · 0 评论 -
2012年《Satellite Image Time Series Analysis Under Time Warping》:动态时间规整(DTW)在遥感中的应用
《Satellite Image Time Series Analysis Under Time Warping》,2012年。背景:应用遥感影像时序的问题、时间维度的使用方式、时序数据的相似性度量。原始DTW的介绍。将DTW应用于遥感所需的改动。DTW在遥感中的应用实例。原创 2023-03-24 16:23:24 · 686 阅读 · 0 评论 -
2020 RS《Mapping Winter Wheat in North China Using Sentinel 2 Based on Phenology-Time Weighted DTW》
增大 2 个重要时段的权重、减小其他时段的影响。重要时段指:冬季之前上升、heading 之后下降。原创 2023-03-31 14:15:50 · 203 阅读 · 0 评论 -
2017年《Using MODIS and DTW to combine multi-year Landsat to derive annual phenology curves》
1、为每年的 MODIS EVI 时序 单独拟合 一个 double logistic curve。2、选择一个 target 年,其他年份的 MODIS 物候都 warp 到该年份。最佳 warping path 的角标( i , j ) 们 为Q 的每个DOY 在 T的phenological DOY,所有的角标构成规则集。3、将 Landsat 的 chronological 时序 转换成phenological 时序。经曲线拟合获得 target 年的 Landsat 物候曲线。原创 2023-03-30 11:03:39 · 139 阅读 · 0 评论 -
2019年《A time-series classification approach based on change detection for rapid land cover mapping》
先利用 Prophet 判断时序的断点,再利用 DTW 对子时序进行分类。原创 2023-03-30 15:58:10 · 146 阅读 · 0 评论 -
2021 RS《Comparison of Winter Wheat Mapping from Different Similarity Measurement》
现存困难:传统的表格式不能反映空间分布。遥感数据与地面采样数据的结合可能存在不一致的问题。需要发展遥感制图技术,以保证遥感获取的分布信息与统计数据的面积信息之间高度一致。基于进行作物面积空间化和作物分布提取的缺陷。为了提高精度,需要强化基于遥感时间序列数据的作物分布提取技术。原创 2023-04-03 11:48:48 · 122 阅读 · 1 评论