时间序列分析 25 DTW (时序相似度度量算法) 下

最新推荐文章于 2024-08-23 11:44:19 发布

Magic Ktwc37

最新推荐文章于 2024-08-23 11:44:19 发布

阅读量1.5k

点赞数 1

分类专栏：时序分析文章标签： python 时序分析算法 DTW应用语音识别销售预测

本文链接：https://blog.csdn.net/weixin_43171270/article/details/117518256

版权

本文深入探讨了DTW（动态时间规整）算法在声音识别和销售趋势侦测中的实践。在声音识别中，通过比较不同音频的DTW距离，展示了DTW如何识别语调相似但速度不同的声音。在销售趋势分析中，DTW帮助匹配产品销售与产能预测，找出最佳生产计划。通过示例，文章解释了如何利用DTW找到与预测产能最匹配且销售量适当的产品。

摘要由CSDN通过智能技术生成

接上…
时间序列分析 23 DTW (时序相似度度量算法) 中
 时间序列分析 23 DTW (时序相似度度量算法) 上

DTW 实践1 声音识别

这个实例中，我们将引入四个音频文件。
第一个是原始声音
第二个与第一个所说的内容一样，但是语调和说话方式有很大不同。
第三个与第一个的语调和说话方式相同，但是内容不一样。最后一个与第一个是最为相似的。

四个音频的t图形如下图，左上为第一个，右上为第二个，左下为第三个。每个图的标题代表该音频的内容。
在这里插入图片描述
读取音频文件的示例代码如下：

from scipy.io import wavfile
from matplotlib import pyplot as plt
from matplotlib.pyplot import figure

# Read stored audio files for comparison
fs, data = wavfile.read("./clip1.wav")

# Set plot style
plt.style.use('seaborn-whitegrid')

# Create subplots
ax = plt.subplot(2, 2, 1)
ax.plot(data1, color='#67A0DA')
..