Partition of GB-InSAR deformation map based on dynamic time warping and k-means

Ground-based interferometric synthetic aperture radar(GB-InSAR)can take deformation measurement with a high accuracy.Partition of the GB-InSAR deformation map benefits analyzing the deformation state of the monitoring scene better.Existing partition methods rely on labelled datasets or single deformation feature,and they cannot be effectively utilized in GBInSAR applications.This paper proposes an improved partition method of the GB-InSAR deformation map based on dynamic time warping(DTW)and k-means.The DTW similarities between a reference point and all the measurement points are calculated based on their time-series deformations.Then the DTW similarity and cumulative deformation are taken as two partition features.With the k-means algorithm and the score based on multi evaluation indexes,a deformation map can be partitioned into an appropriate number of classes.Experimental datasets of West Copper Mine are processed to validate the effectiveness of the proposed method,whose measurement points are divided into seven classes with a score of 0.3151.

Grey incidence clustering method based on multidimensional dynamic time warping distance

The traditional grey incidence degree is mainly based on the distance analysis methods, which is measured by the displacement difference between corresponding points between sequences. When some data of sequences are missing (inconsistency in the length of the sequences), the only way is to delete the longer sequences or to fill the shorter sequences. Therefore, some uncertainty is introduced. To solve this problem, by introducing three-dimensional grey incidence degree (3D-GID), a novel GID based on the multidimensional dynamic time warping distance (MDDTW distance-GID) is proposed. On the basis of it, the corresponding grey incidence clustering (MDDTW distance-GIC) method is constructed. It not only has the simpler computation process, but also can be applied to the incidence comparison between uncertain multidimensional sequences directly. The experiment shows that MDDTW distance-GIC is more accurate when dealing with the uncertain sequences. Compared with the traditional GIC method, the precision of the MDDTW distance-GIC method has increased nearly 30%.

Hand Gesture Recognition by Accelerometer-Based Cluster Dynamic Time Warping

Aiming at the diversity of hand gesture traces by different people,the article presents novel method called cluster dynamic time warping( CDTW),which is based on the main axis classification and sample clustering of individuals. This method shows good performance on reducing the complexity of recognition and strong robustness of individuals. Data acquisition is implemented on a triaxial accelerometer with 100 Hz sampling frequency. A database of 2400 traces was created by ten subjects for the system testing and evaluation. The overall accuracy was found to be 98. 84% for user independent gesture recognition and 96. 7% for user dependent gesture recognition,higher than dynamic time warping( DTW),derivative DTW( DDTW) and piecewise DTW( PDTW) methods.Computation cost of CDTW in this project has been reduced 11 520 times compared with DTW.

基于DTW距离的普通话轻声音变差异分析

为了量化轻声音节相对于非轻声音节的变化量,本实验基于“动态时间规整”(DTW)算法,计算了普通话轻声音节变调前后最小对立对内的声学距离(EX)、重复相同非轻声音节的距离(NIN)和重复相同轻声音节的距离(QIN)。用EX距离、NIN距离和QIN距离的差值(EX-NIN和EX-QIN)作为测量轻声音变引起的声学距离变化的参数。结果表明,EX距离显著大于NIN距离和QIN距离。从方差及最大值的情况上,可以看出NIN的分散性较小,数值较稳定。不同发音的人在轻声变化量上存在很大的差异。不同词汇项间存在显著差异,且差异较大;零声母音节的轻声变化最大,说明轻声变化中元音的变化大于辅音的变化。不同双音节声调组合的轻声变化量之间也存在显著差异,当前字是上声时后字轻声音变改变量最小,当前字是去声时后字轻声音变改变量最大;性别对轻声无显著影响;框架句对轻声变化量的影响稍大,无框架句的轻声变化量大于有框架句的变化量。

基于多尺度LDTW和TCN的空间负荷预测方法

空间负荷预测为合理建设和使用变电站、馈线等提供了重要的指导,成为配电网规划中不可或缺的一部分。配电网规划的精细化产生了大量高分辨率的负荷数据,社会的快速发展使得地块的用电特征日趋复杂。当前的空间负荷预测没有充分考虑负荷数据之间的时间特性,且在预测过程中也未考虑到不同类型地块间可能存在的负荷峰值出现时间不一致问题。为此,提出一种空间负荷预测方法,通过基于多尺度限制对齐路径长度(LDTW)的谱聚类分析用户的负荷曲线在形状上的相似性,并提取不同地块的典型用电行为,以进一步分类确定同类型地块对应的同时率。多尺度LDTW通过限制序列之间匹配步长的上限来抑制病态匹配的产生,提高曲线相似性的综合评估能力。根据聚类结果筛选适合待预测区域的训练样本并构建基于时间卷积网络(TCN)的回归预测模型,将预测结果基于地块各自的同时率进行聚合,实现空间负荷预测。实验结果表明:该方法加强了对负荷曲线形状的分析和对不同类型地块同时率的区分,在聚类方面,DBI指数达到0.57,VI指数达到0.31;在预测方面,相对误差达到1.93%,决定系数达到0.941,相比其他典型方法均取得了较大改善。

特征融合下田径录像3D人体动作DTW捕捉算法

由于不同运动员的动作风格和速度不同,导致田径录像中记录的不同运动员的人体动作序列在时间长度上存在差异,从而产生不同长度序列之间的不对齐问题。为此,提出特征融合下田径录像三维(3D)人体动作动态时间规整(DTW)捕捉算法。将田径录像中提取的人体动作数据转换为3D坐标序列,表示人体各部位的位置和动作,获取人体动作的深度图序列,利用梯度局部各向异性系数(GLAC)和稀疏时间梯度自相关(STACOG)分析深度图局部区域的梯度特性以及时间自相关性。利用Canny算子提取每帧深度图的边缘轮廓,结合小波变换和k-means聚类分析人体轮廓的动态变化特征。通过Kinect设备获取人体骨骼点的3D坐标信息,采用主成分分析(PCA)方法将3D空间坐标、关节角度等多个特征融合到一个特征空间中,通过补帧和删帧操作进行预处理,选择最重要的主成分构建新的低维特征空间。利用DTW计算视频序列的相似性,从而捕捉田径录像中不同长度序列的3D人体动作。实验结果表明,该算法捕捉田径录像3D人体动作的准确程度高达99.07%,面对复杂程度较高的动作时,该算法捕捉到的人体动作与实际动作的相似度始终保持在97%以上。此外,所提算法提取到的人体动作轮廓特征线条流畅、连续,且与实际动作高度一致。

基于改进型DTW的语音识别系统的设计与实现

大部分系统使用深度学习技术完成语音识别任务,并取得良好的效果。但是,基于深度学习的语音识别技术对计算机硬件算力的要求较高,同时需要大量的语音样本对语音识别模型进行训练。针对这些问题,基于改进后的动态时间归整(Dynamic Time Warping,DTW)算法设计并实现了一个语音识别系统。

DTW算法在地震时间序列信息挖掘中的应用

采用DTW算法用于实现地震时间序列“异常形态”的回溯性检验与统计,以此提高地震异常信息的深度挖掘效率。随机选取太原地震监测中心站(以下简称太原站)水平摆观测的一段数据作为测试数据,验证该方法的可行性,并利用昔阳地震监测站(以下简称昔阳站)水平摆实际观测数据,自动识别出自观测以来受降雨影响的异常形态。在此基础上,将最近一次数据变化作为模板,进行回溯性检验,共提取出7次类似变化,与之前总结的异常特征一致。经分析,其中4次异常之后对应了太原盆地及其周围M3.6以上地震,运用R值评分对其进行预报效能评估,结果显示该异常形态可通过预报效能检验(R=0.52,R_(0)=0.45),其最佳预测时间为50~90 d内,可作为短期预测指标。

基于微分思想和动态时间弯曲(DTW)的飞行员着舰技能评估研究

针对舰载机着舰训练,提出了一种基于微分思想和动态时间弯曲(dynamic time warping, DTW)的飞行员驾驶技能评估方法。首先,将着舰过程分解为多元时间序列,通过对着舰过程的分析,选取飞行高度、下沉速度和对中偏差等5个特征参数作为指标,并且拟合出各指标的标准曲线;然后,对选取的特征参数进行微分分段处理,利用特征参数间的关系进行降维表示;最后,利用DTW对评估模型进行计算,实现着舰技能的评估。算例分析表明,基于微分思想和DTW方法对飞行员着舰技能评估具有很好的适用性,有利于促进飞行员着舰技能的提高。

基于动态规整与改进变分自编码器的异常电池在线检测方法

针对电池生产成组过程中,传统异常检测方法对混入的容量及压差异常电池检测精度低及生产结束后离线异常检测方法效率低等问题,该文提出一种集合长短期记忆变分自编码器与动态时间规整评价的锂电池异常在线检测方法(VAE-LSTM-DTW),实现了异常电池的在线检测,避免了离线异常检测所造成的时间和能源的浪费。该方法首先将长短期记忆网络(LSTM)引入变分自编码器(VAE)模型,训练电池时序数据重构模型;其次,在电池异常检测的度量标准中引入动态时间规整值(DTW),并基于贝叶斯寻优获得最优检测阈值,对每个单体电池重构数据的动态规整值进行异常辨别。实验结果表明,相较该领域传统异常检测方法,VAE-LSTM-DTW模型性能优越,查准率和F1值都得到了较大的提升,具有较高的有效性和实用性。

实时说话人辨识系统中改进的DTW算法

识别正确率和抗噪性能是语音识别的研究重点,而识别响应速度也是决定系统实用化的关键。文章改进了传统的动态时间弯折算法结构,将其应用于实时说话人辨识系统中,极大地提高了系统运行速度,随着待识别语音数目的增多,该算法优势更加明显。实验表明,在不影响系统识别率的情况下,该方法使系统的运行速度平均提高了1.5倍。

基于动态规划求解时间序列DTW中心

中心时间序列表明了一个时间序列集合中的公共特征,是时间序列聚类的重要手段。提出了一个利用动态规划求解两条时间序列DTW中心的方法,即以最小化中心序列到两条样本序列的DTW距离平方和为目标,递归求解最优解。在此基础上,给出了基于中心与样本匹配度的剪枝方法,降低了时间复杂度。并在理论上证明了该方法可以获得最优解。实验结果显示,相比于DBA算法,该算法能够获得更小的DTW距离平方和,并且有更好的鲁棒性。

语音识别中DTW特征匹配的改进算法研究

采用基于动态规划方法的动态时间归正技术DTW(D YNAM IC T IM E W ARP ING),可成功解决语音信号特征参数序列比较时时长不等的问题.在基于DTW的特征匹配用改进的动态时间归正方法将模板特征序列和语音特征序列进行匹配的基础上,比较两者之间的失真,得出识别判决的依据.实验表明,改进后的算法在孤立词语音识别中获得了良好性能.

用窗口法在小存储器中实现DTW算法

动态时间规整 DTW算法是一种运用动态规划原理计算时间矢量相似度的方法 ,在语音识别等领域有着广泛的应用。窗口法是针对 DTW算法的特点 ,采用了动态高效的空间管理办法 ,解决了通常的 DTW算法需要存储一个较大的矩阵 ,因而在存储空间有限的硬件系统中难以实现的问题 ,窗口法已经在实际系统中得到了应用。

基于慢特征分析的分布式动态工业过程运行状态评价

现代工业过程通常具有规模大、流程长和工序多的特点,导致传统的集中式建模方法会淹没过程的局部变化信息,从而无法及时识别早期的非优运行状态.此外,闭环控制的广泛应用使得过程变量普遍存在时序相关性.针对以上问题,提出一种基于慢特征分析(Slow feature analysis, SFA)的分布式动态工业过程运行状态评价方法.首先,结合动态时间规整(Dynamic time warping, DTW)和K-medoids聚类算法对过程进行分解;然后,对每一变量子块建立相应的动态慢特征分析(Dynamic slow feature analysis, DSFA)模型;最后,利用贝叶斯推理获得全局的综合评价指标.通过在数值案例和金湿法冶金过程的仿真应用,验证了该方法的有效性.

加权DTW距离的自动步态识别

为了满足智能监控系统自动、准确、实时识别行人的要求,提出了一种表示方法简单、计算复杂度低的步态识别算法。首先建立环境的高斯背景模型,从步态视频序列中提取轮廓图像,计算质心以及轮廓线上的点到质心的欧氏距离。再将轮廓线以最高点为起点顺时针展开,将2维轮廓线特征转换为1维距离特征并标准化,建立标准步态模型。然后计算训练序列与标准步态模型之间的动态时间规整距离,确定阈值。最后,输入测试序列,计算动态时间规整距离并与阈值比较,识别人体的步态。与常用步态识别方法相比,该方法兼顾了计算复杂度和识别率,符合智能监控系统的性能要求。

一种结合形状序列和DTW的动作识别方法

提出了一种单幅图像上轮廓信息的获取方法,在一段时间内发生的动作可以通过采样获得多幅图像来表示该动作特征。这些图像可以看成是轮廓形状变化序列,通过比较不同动作的轮廓形状序列,使得动作能够较容易地识别出来。实验证明,轮廓信息能够较好地反映对象的形状,采用形状序列和DTW相结合的方法能够提高动作识别的准确性。

基于DTW算法与稳态电流波形的非侵入式负荷辨识方法

非侵入家用负荷识别技术可以指导家庭用户合理安排用电,提高用能效率,同时也为电力部门提供家庭用电的数据支持,有利于了解负荷用电规律及趋势,完善电力规划。由于家庭用户用电负荷的稳态特征值存在相似和无规律的问题,现有的方法多采用高级算法对所有的用电负荷组合进行训练。针对现有采用负荷稳态特征值方法进行识别所存在的不足,考虑到家用负荷稳态波形具有独特性和叠加性,提出了一种利用动态时间弯曲(DTW)算法计算与模版库波形的距离来识别家用负荷的辨识方法。首先,建立负荷稳态波形模版库;然后,在电压满足一定条件的情况下,测量家庭用户电流的稳态波形;最后,利用DTW算法计算出最小距离进行识别。

基于时间序列DTW差异的IGBT模块缺陷辨识方法

绝缘栅双极型晶体管(IGBT)模块是电力电子装置中关键可靠性敏感元件之一,辨识IGBT模块缺陷,是避免突发故障,增强电力电子装置可靠运行的重要举措之一。为此,笔者提出一种基于时间序列动态时间弯曲(DTW)差异的IGBT模块早期缺陷的诊断方法。该方法利用缺陷对IGBT模块门极寄生参数的影响,通过分析缺陷前后,门极电压信号序列DTW的差异,判断IGBT模块内部是否存在缺陷。实验研究结果验证了其诊断结论的正确性和实用性。

结合形状特征及其上下文的多维DTW

传统动态时间规整算法(Dynamic Time Warping,DTW)及其变种算法被广泛应用于多维时间序列的相似性分析,但它们通常只关注单个时间点的信息而忽略了上下文信息,从而很可能匹配两个形状完全不同的点。因此提出一种结合形状特征及其上下文的多维DTW算法(Multi-Dimensional Contextual Dynamic Time Warping,MDCDTW)。该算法首先计算多维时间序列的一阶梯度,然后对其进行采样处理,并以多维梯度矩阵表示当前时间点的形状信息及其上下文信息,最后利用DTW求解多维时间序列间的最短匹配路径。为检测算法设计的合理性,对算法进行了定性分析和定量分析,实验结果表明MDC-DTW算法设计是合理的;为检测MDC-DTW的性能,选用5个多维时间序列数据集,并与4个优异的多维DTW算法进行对比实验,实验结果表明MDC-DTW具有较高的准确率和运行效率。