大舅為了激勵我學習的日常對話
大舅：dtw演算法了解嗎？學習一下，明天給我講講？
我：。。。。。。。。。（我沒法講的讓人聽懂）
dtw演算法，這種方法在語音識別，機器學習方便有著很重要的作用。基於動態規劃（dp）的思想，解決了發音長短不一（語速多變）的模板匹配問題（比如不同的人讀同乙個詞的音訊序列）可以有效地將語音搜尋比對的時間大幅降低。
演算法思想：將時間規整與距離測度結合起來，採用動態規劃技術，比較兩個大小不同的模式，通過構建乙個鄰接矩陣，尋找最短路徑和。
在實際應用中，比如說語音識別中的孤立詞識別，我們首先訓練好常見字的讀音，提取特徵後作為乙個模板。當需要識別乙個新來的詞的時候，也同樣提取特徵，然後和訓練資料庫中的每乙個模板進行匹配，計算距離。求出最短距離的那個就是識別出來的字了。
以下文章把dtw講的很通透（文章各有優點）
動態時間規整（DTW）
dtw為 dynamic time warping,動態時間歸準 的簡稱。應用很廣，主要是在模板匹配中，比如說用在孤立詞語音識別，計算機視覺中的行為識別，資訊檢索等中。可能大家學過這些類似的課程都看到過這個演算法，公式也有幾個，但是很抽象，當時看懂了但不久就會忘記，因為沒有具體的例項來加深印象。這次...
動態時間規整DTW
在日常的生活中我們最經常使用的距離毫無疑問應該是歐式距離，但是對於一些特殊情況，歐氏距離存在著其很明顯的缺陷，比如說時間序列，舉個比較簡單的例子，序列a 1,1,1,10,2,3，序列b 1,1,1,2,10,3，如果用歐氏距離，也就是distance i j b j a i b j a i 來計算...
動態時間規整演算法DTW
動態時間規整演算法 dynamic time warping,dtw 最早由日本學者itakura提出，用於衡量兩個時間序列的相似度，也可用於將多個測試序列與標準序列對齊，從而實現序列長度的歸一化。主要應用於語音識別 手勢識別 步態識別等領域。在語言識別領域，同乙個詞，由於不同個體發音習慣及語速的差...