【考古-3】——Dynamic time warping(DTW)算法

1.Background:

在时间序列中，需要比较相似性的两段时间序列的长度可能并不相等，在语音识别领域表现为不同人的语速不同。在这些复杂情况下，使用传统的欧几里得距离无法有效求解两个时间序列之间的距离，即相识度。

大部分情况下，两个序列整体上具有非常相似的形状，但是这些形状在x轴(时间轴）上并不是对齐的。DTW的思想是把两个时间序列进行延伸和缩短，来得到两个时间序列性距离最短也就是最相似的那一个warping，这个最短的距离也就是这两个时间序列的最后的距离度量。

• Warping正确性判定：直观上理解，当然是warping一个序列后可以与另一个序列重合recover。这个时候两个序列中所有对应点的距离之和是最小的。warping的正确性一般指“feature to feature”对齐，即特征对齐。
• 和一些序列匹配一样，本算法基于动态规划计算；

2. Algorithm

DTW是用满足一定条件的时间规整函数$W_K$，是一个路径（K的大小与路径长度有关）,描述测试模板和参考模板（两个序列）的时间对应关系，求解两模板匹配时累计距离最小所对应的规整函数。

我们有两个时间序列$Q=[q_1,q_2,...,q_n]$和$C=[c_1,c_2,..c_m]$，他们的长度分别是n和m：序列中的每个点的值为语音序列中每一帧的特征值（实际语音匹配运用中，一个序列为参考模板，一个序列为测试模板，特征值如语音的频率、MFCC等特征）。

这里，语音等序列具有以下特点：

1. 边界条件：$w_1=(1,1)$和$w_K=(m,n)$。任何一种语音的发音快慢都有可能变化，但是其各部分的先后次序不可能改变，因此所选的路径必定是从左下角出发，在右上角结束；

2. 连续性：如果$w_{k-1}=(a^{\prime },b^{\prime })$，那么对于路径的下一个点$w_k=(a,b)$需要满足 $a\le a^{\prime }+1$和$b\le b^{\prime }+1$。也就是不可能跨过某个点去匹配，只能和自己相邻的点对齐。这样可以保证Q和C中的每个坐标都在W中出现；

3. 单调性（“保序性”）：如果$w_{k-1}=(a^{\prime },b^{\prime })$，那么对于路径的下一个点$w_k=(a,b)$需要满足$a^{\prime }\le a$和$b^{\prime }\le b$。这限制W路径上面的点必须是随着时间单调进行的，其实就是语音序列的“保序性”。

如果我们记录路径上位置$j$的代价就是$W_j$，那么:
$$DTW(Q,C)=min(\sum _{k=1}^K{W}_k)$$

• 分母是否要K？我觉得是不用的，此外，我们可以意识到，对于长度为n和m的序列，$max(m,n)\le K\le m+n-1$

我们如果把序列下标为$(i,j)$位置的距离记作$d(i,j)$，而累积的DTW损失为$\gamma (i,j)$，那么我们可以得到如下的递归式：
γ ( i , j ) = d ( i , j ) + m i n { γ ( i − 1 , j − 1 ) , γ ( i , j − 1 ) , γ ( i − 1 , j ) } \gamma(i,j)=d(i,j)+min\{\gamma(i-1,j-1),\gamma(i,j-1),\gamma(i-1,j)\} γ(i,j)=d(i,j)+min{γ(i−1,j−1),γ(i,j−1),γ(i−1,j)}
我们初始化DP数组
$$\gamma (0,j)=\gamma (i,0)=0$$
并且最终结果即为$\gamma (n,m)$，一路上的最佳序列即为最佳匹配(optimal path)$W_K$。