LegközelebbKövetkező útmutató
Az idősoros előrejelzés késleltetési funkciói
Műszaki
Műszaki ÚTMUTATÓ
A Dynamic Time Warping (DTW) a szekvencia-különbségeket méri azáltal, hogy olcsó igazítási útvonalat talál, amely megnyújthatja vagy tömörítheti az időt.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Segít összehasonlítani a különböző sebességgel kibontakozó mintákat, de a korlátlan vetemedés valószínűtlen egyezéseket hozhat létre, és a távolság nem minden gyakori formában mérőszám.
Két idősor lehet hasonló alakú, de eltérő időzítéssel. Előfordulhat, hogy egy futó lassabban ismétel meg egy mozdulatot, vagy két beszélő eltérő sebességgel ejti ki ugyanazt a kifejezést. Az euklideszi távolság összehasonlítja az egyező indexek értékeit, és nagy eltérésekről számolhat be, ha a megfelelő események eltolódnak. A DTW egy páronkénti költségmátrixon keresztül keres egy igazítási útvonalat, lehetővé téve, hogy az egyik sorozat egyik pontja a másik több pontjához igazodjon. A dinamikus programozási ismétlődés helyi költségeket halmoz fel, miközben monoton mozgást kényszerít ki a mátrixon keresztül. Az út az első párnál kezdődik és az utolsó párnál végződik, megengedett lépésekkel, például átlós, vízszintes vagy függőleges előrehaladással. A minimális halmozott költség határozza meg az optimális igazítást. Az implementációk jelentik az elérési út költségét vagy négyzetgyökét, és normalizálódhatnak az útvonal hossza alapján is, ezért csak az egyező konvenciókat hasonlítsa össze. Az olyan megszorítások, mint a Sakoe-Chiba sáv, az átló szomszédságában korlátozzák a vetemedést, csökkentve a szélsőséges igazításokat és a számításokat. Feltételezett mozgássorozatok esetén egy rövid szünet az egyik előadásban több közeli képkockához igazodhat egy másik előadásban. Ez hasonlóságot mutathat fel az általános előrehaladásban a sebességváltozás ellenére. De ha a vetemedés korlátlan, akkor a nem kapcsolódó eseményeket egy sorozat túlzott megnyújtásával párosíthatjuk. Egy elérési út megszorítása kódolja, hogy melyik időzítési variáció elfogadható az alkalmazás számára. Az előfeldolgozás, a mintavételi sebesség, a helyi költségek és a hossz normalizálása mind számít. A DTW-t hasonlóságkeresésben, idősoros osztályozásban és klaszterezésben használják. Normál távolsága általában nem garantált, hogy kielégítse a háromszög egyenlőtlenséget, így a metrikus fa gyorsulási feltételezései meghiúsulhatnak. Ez költséges lehet hosszú sorozatok, motiváló metszés, alsó határok vagy közelítések esetén. Értékeljen címkézett példákkal vagy domain áttekintéssel, és ellenőrizze az igazításokat, ahelyett, hogy egyetlen távolságban bízna. A DTW az időzítési rugalmassággal foglalkozik; nem oldja meg az amplitúdó-skálázást, a hiányzó szegmenseket vagy a szemantikai különbségeket, kivéve, ha ezek szerepelnek a helyi költségben vagy előfeldolgozásban. A jó igazítás elfogadható a megengedett útvonal alatt, nem pedig annak bizonyítéka, hogy két sorozat jelentése azonos.
Egy hipotetikus gesztust kétszer hajtanak végre különböző sebességgel. A DTW annak ellenére igazítja a megfelelő mozgásszegmenseket, hogy egy szekvencia több időt vesz igénybe, míg az euklideszi pontonkénti összehasonlítás az időzítés eltolódását büntetné.
A költségmátrix az A szekvencia minden képkockáját összehasonlítja a B szekvencia minden egyesével. A dinamikus programozás az első pártól az utolsóig gyűjti a legkisebb költségű útvonalat a megengedett lépéskényszerekkel.
A csapat egy vetemedési ablakot ad hozzá, hogy az egyezéseket a közel átlós útvonalakra korlátozza, megakadályozva, hogy egy rövid mozgás a másik jel távoli szakaszához igazodjon.
A kutató a DTW távolságokat a legközelebbi szomszéd besorolásával használja, és minden normalizálást vagy korlátozást következetesen választ a képzési és tesztsorozatok között.
A DTW munkafolyamatok megbízhatóbbak lehetnek, ha a vizualizációk az eredményül kapott pontszám mellett a kiválasztott igazítási útvonalat és a megengedett vetemítési tartományt is megjelenítik. A csapatoknak reális időzítési variációval kell hangolniuk a kényszereket, és értékelniük kell a kitartott szekvenciákat, ellenőrizve, hogy a különböző hosszúságok vagy mintavételi gyakoriságok torzítják-e az összehasonlításokat. A megközelítő módszerek segíthetnek a skálán, de össze kell hasonlítani őket a reprezentatív részhalmazok pontos eredményeivel. Azokban az alkalmazásokban, ahol az időzítésnek van jelentősége, a túlzott vetemedés eltörölheti a fontos különbségeket. A jelentéseknek tartalmazniuk kell a helyi költségeket, az elérési út korlátozásait és a normalizálást, hogy a felhasználók megértsék, milyen hasonlóságot mér a pontszám.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A Dynamic Time Warping (DTW) a szekvencia-különbségeket méri azáltal, hogy olcsó igazítási útvonalat talál, amely megnyújthatja vagy tömörítheti az időt. Segít összehasonlítani a különböző sebességgel kibontakozó mintákat, de a korlátlan vetemedés valószínűtlen egyezéseket hozhat létre, és a távolság nem minden gyakori formában mérőszám.
A DTW lehetővé teszi a nemlineáris igazítást az időben, így a különböző sebességű hasonló minták összehasonlíthatók.
Minden cella a megengedett lépések között tárolja a helyi költségét, plusz az előd minimális költségét.
A vetemedő ablak korlátozza, hogy a szekvencia időzítése meddig nyújtható vagy tömöríthető.
Egy kötetlen útvonal alacsony költségű, de valószínűtlen egyezéseket hozhat létre a részek ismétlésével vagy nyújtásával.
A helyi költségek összehasonlítják az egyes időindex-párok jellemzővektorait, gyakran négyzetes euklideszi távolsággal.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Az idősoros előrejelzés késleltetési funkciói
Műszaki