Dynamic Time Warping(DTW)动态时间规整算法
Dynamic Time Warping(DTW)是一种衡量两个时间序列之间的相似度的方法,主要应用在语音识别领域来识别两段语音是否表示同一个单词。
1. DTW方法原理
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。而且同一个单词内的不同音素的发音速度也不同,比如有的人会把“A”这个音拖得很长,或者把“i”发的很短。另外,不同时间序列可能仅仅存在时间轴上的位移,亦即在还原位移的情况下,两个时间序列是一致的。在这些复杂情况下,使用传统的欧几里得距离无法有效地求的两个时间序列之间的距离(或者相似性)。
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:
如上图所示,上下两条实线代表两个时间序列,时间序列之间的虚线代表两个时间序列之间的相似的点。DTW使用所有这些相似点之间的距离的和,称之为归整路径距离(Warp Path Distance)来衡量两个时间序列之间的相似性。
2. DTW计算方法:
令要计算相似度的两个时间序列为X和Y,长度分别为|X|和|Y|。
归整路径(Warp Path)
归整路径的形式为W=w1,w2,...,wK,其中Max(|X|,|Y|)<=K<=|X|+|Y|。
wk的形式为(i,j),其中i表示的是X中的i坐标,j表示的是Y中的j坐标。
归整路径W必须从w1=(1,1)开始,到wK=(|X|,|Y|)结尾,以保证X和Y中的每个坐标都在W中出现。
另外,W中w(i,j)的i和j必须是单调增加的,以保证图1中的虚线不会相交,所谓单调增加是指:
最后要得到的归整路径是距离最短的一个归整路径:
最后求得的归整路径距离为D(|X|,|Y|),使用动态规划来进行求解:
上图为代价矩阵(Cost Matrix) D,D(i,j)表示长度为i和j的两个时间序列之间的归整路径距离。
3. DTW实现:
matlab代码:
function dist = dtw(t,r)
n = size(t,1);
m = size(r,1);
% 帧匹配距离矩阵
d = zeros(n,m);
for i = 1:nfor j = 1:md(i,j) = sum((t(i,:)-r(j,:)).^2);end
end
% 累积距离矩阵
D = ones(n,m) * realmax;
D(1,1) = d(1,1);
% 动态规划
for i = 2:nfor j = 1:mD1 = D(i-1,j);if j>1D2 = D(i-1,j-1);elseD2 = realmax;endif j>2D3 = D(i-1,j-2);elseD3 = realmax;endD(i,j) = d(i,j) + min([D1,D2,D3]);end
end
dist = D(n,m);
C++实现:
dtwrecoge.h
/***dtwrecoge.h*********************************************************************/
#ifndef dtwrecoge_h
#define dtwrecoge_h#include<stdio.h>
#include<math.h>#define DTWMAXNUM 2000
#define MAX(a,b) ((a)>(b)?(a):(b))
#define MIN(a,b) ((a)<(b)?(a):(b))
#define ABS(a) ((a)>0?(a):(-(a)))
#define DTWVERYBIG 100000000.0/*****************************************************************************/
/* DTWDistance,求两个数组之间的匹配距离
/* A,B分别为第一第二个数组,I,J为其数组长度,r为匹配窗口的大小
/* r的大小一般取为数组长度的1/10到1/30
/* 返回两个数组之间的匹配距离,如果返回-1.0,表明数组长度太大了
/*****************************************************************************/
double DTWDistanceFun(double *A,int I,double *B,int J,int r);/*****************************************************************************/
/* DTWTemplate,进行建立模板的工作
/* 其中A为已经建立好的模板,我们在以后加入训练样本的时候,
/* 以已建立好的模板作为第一个参数,I为模板的长度,在这个模板中不再改变
/* B为新加入的训练样本,J为B的长度,turn为训练的次数,在第一次
/* 用两个数组建立模板时,r为1,这是出于权值的考虑
/* temp保存匹配最新训练后的模板,建议temp[DTWMAXNUM],函数返回最新训练后模板的长度
/* 如果函数返回-1,表明训练样本之间距离过大,需要重新选择训练样本,
/* tt为样本之间距离的阈值,自行定义
/*****************************************************************************/
int DTWTemplate(double *A,int I,double *B,int J,double *temp,int turn,double tt,double *rltdistance);#endif
dtwrecoge.cpp
/*dtwrecoge.cpp**************************************************************/#include "dtwrecoge.h"
double distance[DTWMAXNUM][DTWMAXNUM]; /*保存距离*/
double dtwpath[DTWMAXNUM][DTWMAXNUM]; /*保存路径*//*****************************************************************************/
/* DTWDistance,求两个数组之间的匹配距离
/* A,B分别为第一第二个数组,I,J为其数组长度,r为匹配窗口的大小/* r的大小一般取为数组长度的1/10到1/30
/* 返回两个数组之间的匹配距离,如果返回-1.0,表明数组长度太大了
/*****************************************************************************/
double DTWDistanceFun(double *A,int I,double *B,int J,int r)
{int i,j;double dist;int istart,imax;int r2=r+ABS(I-J);/*匹配距离*/double g1,g2,g3;int pathsig=1;/*路径的标志*//*检查参数的有效性*/if(I>DTWMAXNUM||J>DTWMAXNUM){//printf("Too big number\n");return -1.0;}/*进行一些必要的初始化*/for(i=0;i<I;i++){for(j=0;j<J;j++){dtwpath[i][j]=0;distance[i][j]=DTWVERYBIG;}}/*动态规划求最小距离*//*这里我采用的路径是 -------. |. |. |. |*/distance[0][0]=(double)2*ABS(A[0]-B[0]);for(i=1;i<=r2;i++){distance[i][0]=distance[i-1][0]+ABS(A[i]-B[0]);}for(j=1;j<=r2;j++){distance[0][j]=distance[0][j-1]+ABS(A[0]-B[j]);}for(j=1;j<J;j++){istart=j-r2;if(j<=r2)istart=1;imax=j+r2;if(imax>=I)imax=I-1;for(i=istart;i<=imax;i++){g1=distance[i-1][j]+ABS(A[i]-B[j]);g2=distance[i-1][j-1]+2*ABS(A[i]-B[j]);g3=distance[i][j-1]+ABS(A[i]-B[j]);g2=MIN(g1,g2);g3=MIN(g2,g3);distance[i][j]=g3;}}dist=distance[I-1][J-1]/((double)(I+J));return dist;
}/*end DTWDistance*//*****************************************************************************/
/* DTWTemplate,进行建立模板的工作
/* 其中A为已经建立好的模板,我们在以后加入训练样本的时候,
/* 以已建立好的模板作为第一个参数,I为模板的长度,在这个模板中不再改变
/* B为新加入的训练样本,J为B的长度,turn为训练的次数,在第一次
/* 用两个数组建立模板时,r为1,这是出于权值的考虑
/* temp保存匹配最新训练后的模板,建议temp[DTWMAXNUM],函数返回最新训练后模板的长度
/* 如果函数返回-1,表明训练样本之间距离过大,需要重新选择训练样本,
/* tt为样本之间距离的阀值,自行定义
/* rltdistance保存距离,第一次两个数组建立模板时可以随意赋予一个值,
/* 后面用前一次返回的值赋予该参数
/*****************************************************************************/
int DTWTemplate(double *A,int I,double *B,int J,double *temp,int turn,double tt,double *rltdistance)
{double dist;int i,j;int pathsig=1;dist=DTWDistanceFun(A,I,B,J,(int)(I/30));if(dist>tt){printf("\nSample doesn't match!\n");return -1;}if(turn==1)*rltdistance=dist;else{*rltdistance=((*rltdistance)*(turn-1)+dist)/turn;}/*寻找路径,这里我采用了逆向搜索法*/i=I-1;j=J-1;while(j>=1||i>=1){double m;if(i>0&&j>0){m=MIN(MIN(distance[i-1][j],distance[i-1][j-1]),distance[i][j-1]);if(m==distance[i-1][j]){dtwpath[i-1][j]=pathsig;i--;}else if(m==distance[i-1][j-1]){dtwpath[i-1][j-1]=pathsig;i--;j--;}else{dtwpath[i][j-1]=pathsig;j--;}}else if(i==0){dtwpath[0][j-1]=pathsig;j--;}else{/*j==0*/dtwpath[i-1][0]=pathsig;i--;}}dtwpath[0][0]=pathsig;dtwpath[I-1][J-1]=pathsig;/*建立模板*/for(i=0;i<I;i++){double ftemp=0.0;int ntemp=0;for(j=0;j<J;j++){if(dtwpath[i][j]==pathsig){ftemp+=B[j];ntemp++;}}ftemp/=((double)ntemp);temp[i]=(A[i]*turn+ftemp)/((double)(turn+1));/*注意这里的权值*/}return I;/*返回模板的长度*/
}//end DTWTemplate
C++代码下载:DTW算法.rar