关于mlpy.dtw包Python中的两个问题？(Two Issues about mlpy.dtw

作为动态时间规整（DTW）一个新手，我发现它的Python实现mlpy.dtw不是在一个非常详细的记载延伸。 我有一些问题，它的返回值。

关于返回值dist ？ 我有两个问题 ：

• 这里任何错字？ 对于标准DTW，文件说

如[Muller07]所描述的，使用欧几里得距离（差的绝对值）或平方欧氏距离（如在[Keogh01]）作为本地成本度量标准DTW。

并进行后续DTW，文件说

亚序列DTW如[Muller07]中描述，假设y的长度比x的长度大得多并且使用曼哈顿距离（差的绝对值），为本地成本度量。

相同的所谓的“差的绝对值”对应两个不同的距离度量？

• 总距离是多少？ 运行该代码段后

  DIST，成本，路径= mlpy.dtw_std（X，Y，dist_only =假）

dist是一个值。 因此，它是所有每一个匹配对之间的距离的总和集中？

Answer 1:

是的， mlpy.dtw()函数没有很好的记载。

• 第一个问题：这里没有错字。 正如你可以在文档中看到，欧氏，欧氏平方和曼哈顿距离关注当地成本的措施 。 在这种情况下，成本度量被定义为两个实数值（一维）之间的距离，请参见在伪成本 http://en.wikipedia.org/wiki/Dynamic_time_warping 。 所以，在这种情况下，曼哈顿距离和欧氏距离是相同的（ http://en.wikipedia.org/wiki/Euclidean_distance#One_dimension ）。 总之，在标准DTW，你可以选择欧氏距离（差的绝对值）或欧氏距离平方（平方差）由参数平方 ：

>>> import mlpy
>>> mlpy.dtw_std([1,2,3], [4,5,6], squared=False) # Euclidean distance
9.0
>>> mlpy.dtw_std([1,2,3], [4,5,6], squared=True) # Squared Euclidean distance
26.0

• 第二个问题：DIST是时间序列x和y之间的非归一化最小距离经纱路径。 它是用非标准化DTW距离。 您可以正常化它通过LEN（X）+ LEN（Y）划分。 见http://www.irit.fr/~Julien.Pinquier/Docs/TP_MABS/res/dtw-sakoe-chiba78.pdf

欢呼声，达维德

Answer 2:

这似乎是在文档中的错误。 欧氏距离不是“差的绝对值”，这是曼哈顿度量的正确描述。 也许笔者在想一维的情况下，与R都欧几里德和曼哈顿的指标是相同的（和欧几里德度量真正反映差的绝对值，然后）。 我不熟悉的图书馆，如果只在一名维对象进行操作，那么就没有错误，这两个距离度量等价

的dist值是最好的时间扭曲的值（作为匹配的概括成本计量， 见维基百科上的算法definiton ）。 所以它实际上是‘匹配’的对象之间的两个序列，其中特定的编辑的成本在相异度（距离）表示之间的最小编辑距离

文章来源: Two Issues about mlpy.dtw package in Python?