动态时间调整
算法
是大多用于检测两条语音的相似程度，由于每次发言，每个字母发音的长短不同，会导致两条语音不会完全的吻合，动态时间调整
算法
，会对语音进行拉伸或者压缩，使得它们尽可能的对齐。
如上图红圈标注的位置，可以发现下面那条线中有许多的点
与
之对应，如果换成一个个离散的点表示的话，实际上是对上一条曲线该点进行了拉伸处理，使得它们最大化对齐。
最近在研究时间序列的问题，时间序列类似这个。假如想计算两条天气的时间序列是否相似，由...
算法步骤：
-
创建一个距离矩阵，用于存储计算过程中的距离。
-
初始化第一行和第一列的值为无穷大。
-
从矩阵的(1,1)位置开始，计算每个位置的距离。具体计算方法是将当前位置的距离设为当前位置的元素之间的距离加上三个相邻位置中最小的距离。
-
最后返回距离矩阵的最后一个元素，即两个时间序列的DTW距离。
DTW算法的优点：
-
考虑了时间序列中元素之间的时序关系，适用于比较不同长度和变化速度的时间序列。
-
具有较好的鲁棒性，对于时间序列中的噪声、缺失数据等问题有一定的容忍度。
DTW算法的缺点：
-
计算复杂度较高，时间和空间复杂度都为O(n*m)，其中n和m分别是两个时间序列的长度。
-
对于高维数据的处理能力有限，当时间序列的维度较高时，DTW算法的效果可能下降。
实例原理图如下所示：
DTW 算法重要的特征就是通过“扭曲”X 轴来解释 Y 轴变量，以达到使时间序列对齐的目的。但是简单的通过 Y 轴的变量值来扭曲 X 轴会导致“不直观”（ unintuitive ）的对齐，其中一个时间序列上的单个点会映射到另一个时间序列的一部分上。我们称这种我们不期望看到的行为为“奇点”（ singularities ）。
DTW算法的核心思想就是通过扭曲来实现序列的近似对齐处理，基于动态规划的思想找到最优匹配路径。
相关的原理这里就不再赘述了，感兴趣的话可以自行查阅即可，这里接下来主要是想要基于python开发实现DTW算法，如下所示：
def dtw_distance(s1, s2):
两序列DTW距离计算
n = len(s1)
m = len(s2)
# 创建一个n*m的矩阵，用于存储计算过程中的距离
dtw_matrix = np.zeros((n + 1, m + 1))
# 初始化第一行和第一列的值为无穷大
dtw_matrix[0, 1:] = np.inf
dtw_matrix[1:, 0] = np.inf
# 计算每个位置的距离
for i in range(1, n + 1):
for j in range(1, m + 1):
cost = abs(s1[i - 1] - s2[j - 1]) # 计算s1[i]和s2[j]之间的距离
dtw_matrix[i, j] = cost + min(
dtw_matrix[i - 1, j], dtw_matrix[i, j - 1], dtw_matrix[i - 1, j - 1]
# 返回最终的DTW距离
dtw = dtw_matrix[n, m]
print("[-]" * 30)
print("dtw_matrix: ")
print(dtw_matrix)
print("[-]" * 30)
print("dtw_distance: ", dtw)
return dtw
结果输出如下所示：
[-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-]
dtw_matrix:
[[ 0. inf inf inf inf inf]
[inf 1. 4. 9. 16. 25.]
[inf 1. 3. 7. 13. 21.]
[inf 2. 2. 5. 10. 17.]
[inf 4. 2. 4. 8. 14.]
[inf 7. 3. 3. 6. 11.]]
[-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-]
dtw_distance: 11.0
上面打印输出的是dtw动态规划过程中产生的转移矩阵，下面打印的是dtw算法计算得到的序列之间的距离。
上面的代码是不依赖于任何第三方库实现的dtw算法，在现在已经有现成的第三方库可以直接进行使用，代码实现也很简单，如下所示：
s1 = [1, 2, 3, 4, 5]
s2 = [2, 4, 6, 8, 10]
x = np.array(s1)
y = np.array(s2)
dtw_distance, dtw_matrix = fastdtw(x, y, dist=euclidean)
print("[-]" * 30)
print("dtw_matrix: ")
print(dtw_matrix)
print("[-]" * 30)
print("dtw_distance: ", dtw_distance)
结果输出如下所示：
[-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-]
dtw_matrix:
[(0, 0), (1, 0), (2, 1), (3, 1), (4, 2), (4, 3), (4, 4)]
[-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-][-]
dtw_distance: 11.0
接下来我想要对比下不同算法实现的效率情况，核心实现如下所示：
nums_list = [10,100,1000,10000]
time_list1=[]
for one_num in nums_list:
start = time.time()
for i in range(one_num):
one = [random.randint(1, 1000) for _ in range(random.randint(1, 100))]
two = [random.randint(1, 1000) for _ in range(random.randint(1, 100))]
dtw_distance(one, two)
end = time.time()
delta = end - start
time_list1.append(delta)
print(time_list1)
另一个算法也是类似，这里就不再赘述了，分别进行了四组计算，对比可视化如下：
plt.clf()
plt.plot(time_list1,label="selfDTW")
plt.plot(time_list2,label="fastDTW")
plt.legend()
plt.title("Different DTW Method TimeConsume Compare")
plt.savefig("DTW_compare.png")
结果如下所示：
很奇怪的就是我原以为第三方模块的效率应该会更高，但是在这里对比实验结果下反而是相反的情况，不知道是我哪里设置出了问题还是什么原因，如果有发现的还望不吝指教，感兴趣的话都是可以自行尝试实践下的。
基于动态时间规整（DTW）算法的变种算法有多种，以下是其中一些常见的变种算法：
FastDTW（快速动态时间规整）：FastDTW是对DTW算法的一种加速版本。它通过将时间序列进行下采样，然后在较小的序列上应用DTW算法来减少计算量。FastDTW在保持较小时间和空间复杂度的同时，仍能提供较好的近似DTW距离。
Multivariate DTW（多变量动态时间规整）：DTW算法最初应用于单变量时间序列，但在实际问题中，往往存在多个变量之间的关联。Multivariate DTW扩展了DTW算法，使其能够处理多维时间序列。它考虑了每个维度上的距离度量和对齐路径的形状。
Weighted DTW（加权动态时间规整）：在标准的DTW算法中，每个时间步的匹配都被视为等权重。然而，在某些应用中，不同时间步的重要性可能不同。Weighted DTW引入了一个权重系数，用于调整每个时间步的贡献，从而更好地适应不同的应用场景。
Constrained DTW（约束动态时间规整）：在某些情况下，我们可能希望对DTW算法的搜索空间进行限制，以便更好地满足特定的约束条件。Constrained DTW通过引入限制条件，如全局约束或局部约束，来约束匹配路径的搜索范围，从而减少计算复杂度并提高算法的效率。
这些是基于DTW算法的一些常见变种算法，每种算法都有其适用的场景和优势。具体选择哪种算法取决于你的应用需求、时间序列的特征以及对计算效率和准确性的要求。感兴趣的话都可以对照了解学习一下。
算法
笔记-
DTW
动态时间规整
动态时间规整/规划
(
Dynamic
Time
Warping
,
DTW
)
是一个比较老的
算法
，这个笔记从一个简单的
DTW
计算例子引出
DTW
的定义并讨论了
DTW
的实现细节。
Raymond Kwan
DTW
动态时间规整：时间序列弹性匹配的核心原理
与
工业实战
动态时间规整（
DTW
）是一种专为时间序列设计的非线性对齐度量方法，其核心在于通过动态规划构建累积代价矩阵，在保持时序单调性的前提下寻找最优弹性匹配路径。相比欧氏距离等刚性度量，
DTW
天然具备局部形变鲁棒性
与
长度无关性，能有效刻画‘同模式、不同节奏’的行为相似性。该技术广泛
应用
于故障诊断、语音识别、生物信号比对及用户行为
分析
等场景，尤其适合处理传感器数据、工业振动、ECG、金融时序等具有强时序结构
与
弹性变异特性的序列。本文深入解析
DTW
的数学本质、约束机制、归一化策略及多维扩展，并结合dtaidistance
windshg的专栏
在时间序列数据中，一个常见的任务是比较两个序列的相似度，作为分类或聚类任务的基础。那么，时间序列的相似度应该如何计算呢？
“ 经典的时间序列相似性度量方法总体被分为两 类: 锁步度量
(
lock-step measures
)
和弹性度量
(
elastic measures
)
. 锁步度量是时间序列进行 “一对一”的比 较; 弹性度量允许时间序列进行 “一对多”的比较.
——《时间序列数据挖掘的相似性度量综述》
最简单的相似度计算方法可能是计算两个时间序列的
qq_36744449的博客
时间序列相似性度量：从欧氏距离到
DTW
的核心方法
与
应用
时间序列相似性度量是数据
分析
与
模式识别领域的基础技术，用于量化不同时间序列数据之间的接近程度。其核心原理在于通过数学方法比较序列在时间维度上的形态、趋势或数值差异，从而为后续的聚类、分类、异常检测和预测等高级
分析
提供依据。在技术价值上，有效的相似性度量能够帮助我们从海量时序数据中提取有价值的信息，例如识别设备故障模式、发现用户行为规律或匹配金融市场中的特定形态。实际
应用
场景广泛，涵盖工业物联网中的振动信号
分析
、金融领域的股票形态匹配以及互联网领域的用户行为聚类等。本文深入探讨了欧氏距离、动态时间规整等核心方
weixin_30315723的博客
自然语言处理之语音识别：
Dynamic
Time
Warping
(
DTW
)
：
DTW
的参数调整
与
优化
DTW
在语音识别中的
应用
需要仔细调整其参数，包括选择合适的距离度量、设置合理的窗口大小和步长约束。通过这些调整，可以显著提高
DTW
的性能，使其更适用于实际的语音识别任务。
zhubeibei168的博客
(
Dynamic
Time
Warping
,
DTW
)
动态时间归整
DTW
通过把时间序列进行延伸和缩短，来计算两个时间序列性之间的相似性。
如下图所示，上下两条实线代表两个...
图像研究猿的专栏
自然语言处理之语音识别：
Dynamic
Time
Warping
(
DTW
)
：语音识别的未来趋势
与
挑战
Dynamic
Time
Warping
(
DTW
)
是一种用于测量两个序列相似度的
算法
，尤其适用于语音识别和手写识别等时间序列
分析
。然而，
DTW
的计算复杂度较高，尤其是在处理长序列时。本节将介绍几种加速
DTW
计算的方法，包括斜率约束和时间窗口限制。传统的
DTW
算法
处理的是单维时间序列。然而，在实际
应用
中，如语音识别，信号往往是多维的。多维
DTW
(
M
DTW
)
扩展了
DTW
算法
，使其能够处理多维信号，提高了
算法
的适用性和准确性。
zhubeibei168的博客
sift计算
效率
优化_基于
Dynamic
Time
Warping
(
DTW
)
的时间序列相似度计算
与
效率
优化
1. 时间序列问题首先，我们还是从问题开始入手，"时间序列"就是一系列事件
(
events
)
随着时间的变化而改变，比方说一个人来了个后空翻，而旁边放了个相机将这个动作按每秒拍10张照片的频率给记录了下来，那么如果动作一共是10s，那就会有100张图片，这每一张图片都是在不同的时间下的发生的事件，而这些事件组成了一个时间序列。同理，如果你说了一段话，一个录音笔按照某个频率
(
如1s记录10个音
)
把你说的...
weixin_39923137的博客
自然语言处理之语音识别：
Dynamic
Time
Warping
(
DTW
)
：语音识别基础理论
DTW
算法
通过动态规划解决了序列长度不一的问题，能够有效地比较两个时间序列的相似度。在语音识别中，
DTW
能够帮助识别系统在不同说话速度下识别相同的语音内容，提高了识别的准确性和鲁棒性。在语音识别领域，
Dynamic
Time
Warping
(
DTW
)
算法
扮演着关键角色，尤其是在处理非固定长度的语音信号时。
DTW
的核心优势在于它能够对两个序列进行非线性的时间对齐，即使这两个序列在时间上存在差异，也能准确地计算它们之间的相似度。
zhubeibei168的博客
自然语言处理之语音识别：
Dynamic
Time
Warping
(
DTW
)
与
隐马尔可夫模型结合
语音识别技术近年来取得了显著的进步，这主要得益于深度
学习
和大数据的结合。传统的语音识别方法，如基于动态时间规整（
Dynamic
Time
Warping
,
DTW
）和隐马尔可夫模型（Hidden Markov Model, HMM）的结合，虽然在早期发挥了重要作用，但随着技术的发展，其局限性逐渐显现。
zhubeibei168的博客
dtw
算法
java版,Fast
DTW
-1.1.0 动态时间规整
算法
(
Dynamic
Time
Warping
)
Windows Develop 267万源代码下载- www.pudn.com...
文件名称: Fast
DTW
-1.1.0下载 收藏√ [5 4 3 2 1]开发工具: Java文件大小: 43 KB上传时间: 2013-12-17下载次数: 10提 供 者: 张鹏涛详细说明：动态时间规整
算法
(
Dynamic
Time
Warping
)
-
Dynamic
time
warping
algorithm
(
Dynamic
Time
Warping
)
文件列表
(
点击判断是否...
weixin_31005543的博客
自然语言处理之语音识别：
Dynamic
Time
Warping
(
DTW
)
：语音识别中的距离度量_2024-07-16_04-23-02.Tex
DTW
是一种用于测量两个序列之间相似度的
算法
，尤其适用于时序数据，如语音信号。在语音识别中，
DTW
被用来比较语音样本
与
已知语音模型之间的距离，即使两个序列的长度不同，也能找到最佳的对齐方式。这种能力使得
DTW
成为语音识别中进行模式匹配和识别的重要工具。通过计算
DTW
距离，系统可以判断输入的语音信号
与
哪个已知的语音模型最接近，从而实现语音的识别。接下来的章节将深入探讨
DTW
算法
的原理，以及如何在Python中实现
DTW
算法
，并通过一个具体的语音识别示例来说明其
应用
。
zhubeibei168的博客
机车信号故障诊断技术：
算法
优化
与
铁路运维
效率
提升
机车信号系统作为铁路运行的核心控制系统，其稳定性直接影响列车安全。传统故障诊断依赖人工排查，
效率
低下且准确率有限。通过引入动态时间规整（
DTW
）
算法
和机器
学习
技术，现代故障诊断系统能够实现信号特征的实时比对
与
分析
，大幅提升故障定位精度。该技术采用高频采样（≥10kHz）和多维度特征提取（频率、幅度、相位等12项指标），结合云端
分析
平台，可将诊断时间从小时级缩短至分钟级。在重载铁路等场景中，此类系统已实现93%的准确率，显著降低误报率。随着边缘计算和预测性维护技术的发展，信号诊断正
与
CBM系统深度融合，推动铁
weixin_34326179的博客
瑜伽姿势检测
与
评估程序编写
简介：本文将介绍如何开发一个名为“Yoga-Pose-Comparison”的程序，它通过TensorFlow Pose Estimation（tf_pose）和
Dynamic
Time
Warping
（
DTW
）技术监测和评估用户执行的瑜伽姿势。该程序首先通过tf_pose框架识别用户瑜伽动作中的关键点，然后利用
DTW
算法
比较用户姿势
与
标准姿势的关键点序列，从而评估姿势的正确性。
weixin_42527589的博客
DTW
备忘录
在比较两段运动捕捉数据时，由于时间变形和空间变形因素，所以不能直接比较两帧之间的相似度，需要借助于
DTW
。
比如运动序列A为基准运动，有M帧；B为测试运动，有N帧。计算A和B的
DTW
距离和最长公共子串
算法
一致。
下面是笔记总结：
tom555cat
fsQCA实战：从数据校准到结果解读的完整流程（附R代码示例）
本文提供了一份完整的模糊集定性比较
分析
（fsQCA）实战指南，详细阐述了从数据校准、必要条件
分析
、真值表构建到布尔最小化
与
结果解读的全流程。通过R语言代码示例，帮助研究者掌握如何将理论转化为可操作的
分析
步骤，并产出稳健的中间解，以揭示导致结果的复杂条件组合。
d6e7f8g9h的博客
在时间序列数据中，一个常见的任务是比较两个序列的相似度，作为分类或聚类任务的基础。那么，时间序列的相似度应该如何计算呢？
“ 经典的时间序列相似性度量方法总体被分为两 类: 锁步度量
(
lock-step measures
)
和弹性度量
(
elastic measures
)
. 锁步度量是时间序列进行 “一对一”的比 较; 弹性度量允许时间序列进行 “一对多”的比较.
——《时间序列数据挖掘的相似性度量综述》
最简单的相似度计算方法可能是计算两个时间序列的
在比较两段运动捕捉数据时，由于时间变形和空间变形因素，所以不能直接比较两帧之间的相似度，需要借助于
DTW
。
比如运动序列A为基准运动，有M帧；B为测试运动，有N帧。计算A和B的
DTW
距离和最长公共子串
算法
一致。
下面是笔记总结：
