本文介绍基于PaddlePaddle2.0构建动态时间规整（DTW）模型的方法。DTW用于计算两时间序列相似度，适用于语音识别等场景，能解决序列长度不一致问题，但不适用于交叉对应关系的序列。文中举例说明DTW建模流程，包括初始化距离矩阵、用动态规划找最短路径，并给出了基于PaddlePaddle2.0的实现代码及示例计算结果。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

基于PaddlePaddle2.0-构建动态时间规整模型

作者：陆平

1. 动态时间规整模型原理

动态时间归整模型(Dynamic Time Warping, DTW)可以用于计算两个时间序列的相似程度。它适用于语音识别中的孤立词识别、姿势识别等场景。

例如，我们通常需要用唤醒词来启动智能音响，小米的小爱音响的唤醒词为“小爱同学”。但是不同的人对“小爱同学”这四个字的发音、语速等都是不同的，即便是相同的人也不可能每次说“小爱同学”这四个字的发音、语速完全相同，也就是说，实际发音与标准序列在长度上是不一致的。为解决这个问题，可以对序列进行缩放，使得两个时间序列长度一致，但这里没有考虑到序列中的某个元素一对多问题、一对零的问题。还有一种解决方式是利用动态规划方法，找到两个时间序列的最短匹配路径，即DTW模型。

然而，DTW模型不适用于具有交叉对应关系的时间序列。例如，中英文语言翻译场景中，词语序列之间普遍存在交叉对应关系，这种情形DTW模型不太适用。“今天我吃了水果”这句话翻译成英文是“I had fruit today”，“今天”这个词在中文语境中通常在第一个词的位置，而在英文语境下“today”处于最后一个词位置，这表明这两个时间序列存在交叉对应关系。

以下用个例子来看DTW建模流程。

步骤1：设有两个时间序列$s_1=[1,2,3,4,5,5,5,4]$s1=[1,2,3,4,5,5,5,4]和$s_2=[3,4,5,6,5,4]$s2=[3,4,5,6,5,4]，这两个时间序列的长度分别为8和6.

步骤2：初始化一个距离矩阵dtw，该矩阵用于衡量两时间序列的距离。

初始化第一列，采用以下公式: $dtw[i,0]=dtw[i-1,0]+distance(s_1[i],s_2[0]),i=1,\mathrm{.}\mathrm{.}\mathrm{.},7$dtw[i,0]=dtw[i−1,0]+distance(s1[i],s2[0]),i=1,...,7.

具体来看，$dtw[0,0]$dtw[0,0]这个位置取值为2，是因为$\mathrm{\mid }1-3\mathrm{\mid }=2$∣1−3∣=2.

$dtw[1,0]$dtw[1,0]这个位置取值为3，是因为$dtw[0,0]+distance(s_1[1],s_2[0])=2+\mathrm{\mid }2-3\mathrm{\mid }=2+1=3$dtw[0,0]+distance(s1[1],s2[0])=2+∣2−3∣=2+1=3.

$dtw[2,0]$dtw[2,0]这个位置取值为3，是因为$dtw[1,0]+distance(s_1[2],s_2[0])=3+\mathrm{\mid }3-3\mathrm{\mid }=3+0=3$dtw[1,0]+distance(s1[2],s2[0])=3+∣3−3∣=3+0=3.

$dtw[3,0]$dtw[3,0]这个位置取值为4，是因为$dtw[2,0]+distance(s_1[3],s_2[0])=3+\mathrm{\mid }4-3\mathrm{\mid }=3+1=4$dtw[2,0]+distance(s1[3],s2[0])=3+∣4−3∣=3+1=4.

MixPHP3.0.27

MixPHP 是一个 PHP 命令行模式开发框架；基于 Vega 驱动的 HTTP 可以同时支持 Swoole、WorkerMan、FPM、CLI-Server 生态，并且可以无缝切换；V3 是一个高度解耦的版本，整体代码基于多个独立的模块构建，即便用户不使用我们的脚手架，也可以使用这些独立模块，并且全部模块都支持原生开发。例如：你可以只使用 mix/vega 来搭配 lar*el orm 使用

17 查看详情

以此类推。

初始化第一行，采用以下公式: $dtw[0,i]=dtw[0,i-1]+distance(s_1[0],s_2[i]),i=1,\mathrm{.}\mathrm{.}\mathrm{.},5$dtw[0,i]=dtw[0,i−1]+distance(s1[0],s2[i]),i=1,...,5.

$dtw[0,1]$dtw[0,1]这个位置取值为5，是因为$dtw[0,0]+distance(s_1[0],s_2[1])=2+\mathrm{\mid }1-4\mathrm{\mid }=2+3=5$dtw[0,0]+distance(s1[0],s2[1])=2+∣1−4∣=2+3=5.

$dtw[0,2]$dtw[0,2]这个位置取值为9，是因为$dtw[0,1]+distance(s_1[0],s_2[2])=5+\mathrm{\mid }1-5\mathrm{\mid }=5+4=9$dtw[0,1]+distance(s1[0],s2[2])=5+∣1−5∣=5+4=9.

$dtw[0,3]$dtw[0,3]这个位置取值为14，是因为$dtw[0,2]+distance(s_1[0],s_2[3])=9+\mathrm{\mid }1-6\mathrm{\mid }=9+5=14$dtw[0,2]+distance(s1[0],s2[3])=9+∣1−6∣=9+5=14.

以此类推。

Tensor(shape=[8, 6], dtype=float32, place=CPUPlace, stop_gradient=True,
       [[ 2.,  5.,  9., 14., 18., 21.],
        [  3., inf., inf., inf., inf., inf.],
        [  3., inf., inf., inf., inf., inf.],
        [  4., inf., inf., inf., inf., inf.],
        [  6., inf., inf., inf., inf., inf.],
        [  8., inf., inf., inf., inf., inf.],
        [ 10., inf., inf., inf., inf., inf.],
        [ 11., inf., inf., inf., inf., inf.]])

步骤3: 利用动态规划算法找出最短的对应路径。 这里假设了一个单调性条件，即通往$dtw[i,j]$dtw[i,j]的路径，上一步只能是$dtw[i-1,j]$dtw[i−1,j]、$dtw[i,j-1]$dtw[i,j−1]、$dtw[i-1,j-1]$dtw[i−1,j−1]三者之一。相应的代码为：

    for i in range(1,len(src)):        for j in range(1,len(tar)):            cost=dist_func(src[i],tar[j])            temp=[]            temp.append(cost+dtw[i-1,j])            temp.append(cost+dtw[i,j-1])            temp.append(cost+dtw[i-1,j-1])
            dtw[i,j]=min(temp)

这里的假设是可以放松的，如果想要涵盖跳跃一步的对应关系。即通往$dtw[i,j]$dtw[i,j]的路径，上一步可以是$dtw[i-1,j]$dtw[i−1,j]、$dtw[i,j-1]$dtw[i,j−1]、$dtw[i-1,j-1]$dtw[i−1,j−1]、$dtw[i-2,j-1]$dtw[i−2,j−1]、$dtw[i-1,j-2]$dtw[i−1,j−2]之一。可以在循环中增加如下代码：

            temp.append(cost+dtw[i-2,j-1])            temp.append(cost+dtw[i-1,j-2])

进一步，如果我们想避免某种跳跃关系，可以在cost前乘以某个正数，从而放大该步的即时成本。

正因为DTW模型含有单调性假设，它不适合于计算具有交叉对应关系的序列相似性。

2. 应用PaddlePaddle2.0构建DTW模型

In [7]

import paddleimport numpy as np#距离函数def dist_func(v1,v2):
    return paddle.abs(v1-v2)#DTW模型def dtw_func(src,tar):
    dtw=paddle.zeros([len(src),len(tar)])
    dtw[:] = np.inf    #初始化
    dtw[0,0]=dist_func(src[0],tar[0])    for i in range(1,len(src)):
        dtw[i,0] = dtw[i-1,0]+dist_func(src[i],tar[0]) 
    for i in range(1,len(tar)):
        dtw[0,i] = dtw[0,i-1]+dist_func(src[0],tar[i]) 
    
    #动态规划
    for i in range(1,len(src)):        for j in range(1,len(tar)):
            cost=dist_func(src[i],tar[j])
            temp=[]
            temp.append(cost+dtw[i-1,j])
            temp.append(cost+dtw[i,j-1])
            temp.append(cost+dtw[i-1,j-1])
            dtw[i,j]=min(temp)    return dtw[-1,-1].numpy().item()


s1=paddle.to_tensor([1, 2, 3, 4, 5, 5, 5, 4])
s2=paddle.to_tensor([3, 4, 5, 6, 5, 4])
ds=dtw_func(s1,s2)print("s1, s2两序列之间的距离为：{}".format(ds))

s1, s2两序列之间的距离为：4.0

以上就是基于PaddlePaddle2.0-构建动态时间归整模型(DTW)的详细内容，更多请关注其它相关文章！

# 这两个  # 网络推广及网站维护协议  # 阳春百度网站推广  # 网站推广推荐r火21星  # 南京集团网站建设公司  # seo说说  # 静安区网站建设功能  # 大电影网站建设  # 搜seo软件  # 快手关键词排名怎么设置出来的  # 福建一站式网站建设优点  # 中文网  # cos  # 以此类推  # 上了  # 最短  # 是一个  # 小爱  # 适用于  # 值为  # 是因为  # type  # warp 

相关栏目： 【 行业资讯67740 】 【 技术百科0 】 【 网络运营39195 】

相关推荐： 苹果怎么没出5g手机  如何为服务器配置静态路由？服务器配置静态路由详细教程  折叠屏手机共有哪些  51单片机贴片怎么*  路由器power闪红绿灯闪是什么意思  五十铃x-power是什么意思  如何查看bash内置的命令  苹果16有哪些自带配件  typescript解决了什么  typescript怎么使用vue  如何使用ping命令  苹果16要升级哪些功能  迅达热水器显示power是什么意思  固态硬盘2m如何修复  dos命令如何复制目录结构  为什么夸克运行不了  linux命令行如何使用中文输入法  win10系统如何打开cmd命令  cron表达式在线工具有哪些  如何引用typescript中的方法  三星固态硬盘如何安装  咋免费领取爱奇艺会员 如何免费领取爱奇艺会员步骤  折叠手机屏易坏吗为什么  启辰星power标志是什么意思  如何修改域名解析  165开头的是什么电话号码  什么是夸克模组文件格式  春运提前抢票攻略  怎么确定手机是5g  power在录音笔上是什么意思  固态硬盘如何保存  市盈率底下 18A 19E 是什么意思  电动车仪表盘上的power是什么意思  固态硬盘损坏如何修复  命令行如何打开打印机  市盈率是什么意思高好还是低好  如何在固态硬盘上安装win7系统  linux如何用命令修改ip  如何用dos命令启动u盘  typescript如何做项目  热水器没热水显示power是什么意思  如何查询固态硬盘序列  一年多少周  台机如何安装固态硬盘  如何在命令行写j*a程序  市盈率回落是什么意思  折叠屏手机选择哪个好  电动车power灯亮红灯是什么意思  typescript怎么设置滚动条  怎么用typescript 写js