DTW的具体实现
设定实现梦想的具体步骤 #生活常识# #生活建议# #建议# #个人成长规划#
DTW在很多领域都有其具体应用,主要用于模板匹配,如孤立词语音识别,计算机视觉中行为识别,信息检索等。最近在做语音这块的研究,于是深入分析了下DTW的具体实现过程,其实DTW的实现过程就是一个利用动态规划思想寻找最有路径。相关理论知识本来打算自己写一篇,网上查了下不得不佩服大神的杰作,所以这里自己就不再详述理论了,因为大神的佳作还是比较难超越。理论知识可以参考:(1)https://www.cnblogs.com/tornadomeet/archive/2012/03/23/2413363.html,(2)https://www.cnblogs.com/tornadomeet/archive/2012/03/23/2413363.html。本博文主要结合上面两篇博客结合代码进一步分析DTW的具体实现。具体代码如下:
from numpy import array, zeros, argmin, inf, equal, ndim
# from scipy.spatial.distance import cdist
from sklearn.metrics.pairwise import manhattan_distances
#在这里我用到的是曼哈顿距离(求绝对值距离)
#如果比较的是二维数组,则用欧几里得距离
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:]
#浅复制
# print D1
#生成原始距离矩阵
for i in range(r):
for j in range(c):
D1[i,j] = manhattan_distances(s1[i],s2[j])
'''
在这里,D0可以手动计算出来
D0 = [[ 0. inf inf inf inf inf inf]
[inf 2. 3. 4. 4. 4. 3.]
[inf 1. 2. 3. 3. 3. 2.]
[inf 0. 1. 2. 2. 2. 1.]
[inf 1. 0. 1. 1. 1. 0.]
[inf 2. 1. 0. 0. 0. 1.]
[inf 2. 1. 0. 0. 0. 1.]
[inf 2. 1. 0. 0. 0. 1.]
[inf 1. 0. 1. 1. 1. 0.]]
'''
M = D1.copy()
#代码核心,动态计算最短距离
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])
'''
在这里,D1是可以手动计算出来的
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.]]
'''
i,j = array(D0.shape) - 2
p,q = [i],[j]
#回溯寻找最短路径
while(i>0 or j>0):
tb = argmin((D0[i,j],D0[i,j+1],D0[i+1,j])) #最小值的索引
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 = ',M)
#原始距离矩阵
print ('pq = ',zip(p,q))
#匹配路径过程
print ('D1 = ',D1)
#Cost Matrix或者叫累积距离矩阵
print (D1[-1,-1])
#序列距离
看懂了理论,实现过程也比较简单,实在不懂可以调试下该代码,希望可以给大家提供帮助,若有不当之处请指教,谢谢!
网址:DTW的具体实现 https://www.yuejiaxmz.com/news/view/263541
相关内容
语音识别技术的应用及发展.pdf一种实时语音识别数字的方法
简要介绍语音识别技术在各领域的应用
基于MATLAB语音识别系统GUI界面
语音识别技术原理全面解析
盘点语音识别技术在人工智能中的应用
百姓关注:实现淘汰旧家具的再利用 理顺废旧家具回收体系
创意现代家具的实用性与美感
家具电气化:实现家具系统化的安全通电
人生该具自我实现的心理标准