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： 8英寸等于多少厘米  笔记本如何选择固态硬盘  j*a怎么处理json数组  j*a数组怎么保存类  ai显示无法找到链接的文件是什么意思  跑分是什么意思  品道音响上的power键是什么意思  折叠屏手机哪个卖得最好  通配符的用法  如何清理固态硬盘  固态硬盘质量如何  为什么进行域名解析  怎么在项目中使用typescript  春运订票什么时候抢票  路由器上面的power红灯是什么意思  如何通过dos命令  如何用命令提示符显示隐藏分区  市盈率市净率是什么意思  路由器power闪红绿灯闪是什么意思  如何进入 dos 命令行  有什么基础可以学typescript  万能表上的power是什么意思  怎么在typescript定义集合  笔记本电脑多少钱  固态硬盘 如何分区  a股等权平均市盈率是什么意思  春运抢票何时开始抢票的  爱奇艺会员qq登录可以几个人用？  固态硬盘装完如何使用  哪些库是typescript  市盈率是什么意思高好还是低好  openwrt有什么用  typescript和哪个语音很像  单片机速度怎么看  夸克加载什么要会员  电动车仪表盘上的power是什么意思  折叠屏手机共有哪些  固态硬盘如何装入机箱  固态硬盘如何查看盘符  为什么夸克运行不了  征信信用不好如何恢复 征信信用不好如何恢复指南  市盈率动亏损是什么意思  nfc近场通讯功能是什么意思  商誉是什么意思  如何安装笔记本固态硬盘  双十一哪一天买比较便宜？  苹果16有哪些自带配件  什么是base64  typescript怎么使用map  导航power在汽车上是什么意思