文章标题

DTW算法介绍

DTW算法本身属于理解这篇的先验知识，同时觉得目前我在网上找到的几篇讲得相当到位了，自觉不能讲得更好，索性把前人的链接放在这里，有需要自取
链接1
链接2

DTW模板训练

背景

在原始的 DTW 算法中，只是简单地选择一个语音样本的特征序列作为模板，不存在模板训练的问题。不但模板帧的数量(帧数)多，而且有较大的随机性。为了解决这个问题，可以用多个语音样本来训练得到一个具有代表性的语音模板。还换句话说，就是找到这多个语言样本的聚类中心。

具体算法

1.首先指定训练模板帧的个数并生成初始的模板（初始的聚类中心)。
根据先验知识，我们设模板帧个数为M （例如对于一个孤立的汉语音节我们假设模板的帧数为 M =6）；在初始化时，我们将一个样本平均分割为M段，各段取均值作为初始模板帧y,
$y^{(n)}(i) = E(subSample(i))$.
这里上标n=0,表示迭代次数，subSample(i) 表示第i段样本，i=1,…,M; E(·) 表示求均值.
2. 用 DTW 算法对每个训练样本进行分割。
我们知道再用DTW算法进行压扩的时候，样本对模板的匹配过程就是把样本进行分割。
我们用$y^{(n)}$作为模板，用样本(n+1) 进行DTW, 得到一系列分割点$S^{(n+1)}(i)$。
3. 训练新模板。使用上述的分割点将样本(n+1)分为M段，逐段求平均得到新的模板 $y^{(n+1)}$.
4. 对其他样本(n+2)、(n+3)…同样进行2、3两步。
5. 若能得到较为稳定的模板帧，就可以退出迭代了。

实例

（这是我的课程作业，拿出来分析一下）
已知下列数据（蓝色）按照时间顺序依次是三个不同均值的白噪声信号。请用 DTW方法进行数据分割聚类，计算出数据的分割点和聚类中心(红色水平线)。

算法步骤

Step1: 把原始数据分为3段，分割点为S1和S2，对这三段求均值保存为y(1)~y(3);
Step2: 使用DTW算法，模板即为选取的y, 可以得到新的分割点S1‘，S2’；
Step3：用新的到的分割点S1‘，S2’ 分割原始数据，重新求得三个均值 y(1)’ ~ y(3)’ 作为新的模板；
Step4：重复Step2和Step3直到算法收敛，即分割点不再变化。最后一次迭代的分割点和模板即为所求的数据的分割点和聚类中心。

代码实现

由于这门课还没有结课，代码先不放出来了，结课后补上。有需要的同学可以评论或者邮件找我要。

参考文献

主要参考了清华大学电子工程系肖熙老师《语音信号处理》的课件，感谢老师的悉心指导！