關于DTW算法

動態時間規整/規劃(Dynamic Time Warping, DTW)是一個比較老的算法，大概在1970年左右被提出來，最早用于處理語音方面識別分類的問題。

在這里我主要用python實現了DTW算法

# -*- coding: UTF-8 -*-

from numpy import array, zeros, argmin, inf, equal, ndim

# from scipy.spatial.distance import cdist

from sklearn.metrics.pairwise import manhattan_distances

#在這里我用到的是曼哈頓距離(求絕對值距離)

#如果比較的是二維數組，則用歐幾里得距離

s1 = [1, 2, 3, 4, 5, 5, 5, 4]

s2 = [3, 4, 5, 5, 5, 4]

r, c = len(s1), len(s2)

D0 = zeros((r+1,c+1))

D0[0,1:] = inf

D0[1:,0] = inf

D1 = D0[1:,1:]

#淺復制

# print D1

for i in range(r):

for j in range(c):

D1[i,j] = manhattan_distances(s1[i],s2[j])

#生成原始距離矩陣

M = D1.copy()

for i in range(r):

for j in range(c):

D1[i,j] += min(D0[i,j],D0[i,j+1],D0[i+1,j])

#代碼核心，動態計算最短距離

i,j = array(D0.shape) - 2

#最短路徑

# print i,j

p,q = [i],[j]

while(i>0 or j>0):

tb = argmin((D0[i,j],D0[i,j+1],D0[i+1,j]))

if tb==0 :

i-=1

j-=1

elif tb==1 :

i-=1

else:

j-=1

p.insert(0,i)

q.insert(0,j)

print M

#原始距離矩陣

print zip(p,q)

#匹配路徑過程

print D1

#Cost Matrix或者叫累積距離矩陣

print D1[-1,-1]

#序列距離

M:

[[ 2. 3. 4. 4. 4. 3.]

[ 1. 2. 3. 3. 3. 2.]

[ 0. 1. 2. 2. 2. 1.]

[ 1. 0. 1. 1. 1. 0.]

[ 2. 1. 0. 0. 0. 1.]

[ 2. 1. 0. 0. 0. 1.]

[ 2. 1. 0. 0. 0. 1.]

[ 1. 0. 1. 1. 1. 0.]]

path:

[(0, 0), (1, 0), (2, 0), (3, 1), (4, 2), (5, 3), (6, 4), (7, 5)]

D1:

[[ 2. 5. 9. 13. 17. 20.]

[ 3. 4. 7. 10. 13. 15.]

[ 3. 4. 6. 8. 10. 11.]

[ 4. 3. 4. 5. 6. 6.]

[ 6. 4. 3. 3. 3. 4.]

[ 8. 5. 3. 3. 3. 4.]

[ 10. 6. 3. 3. 3. 4.]

[ 11. 6. 4. 4. 4. 3.]]

D1[-1,-1]:

3.0

總結

以上是生活随笔為你收集整理的dtw算法 c语言实现,DTW算法的python实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。