训练程序实现用户将数字0-9依次说一遍，并将其特征矢量时间序列作为模板存入模板库；识别程序实现将输入语音的特征矢量时间序列依次与模板库中的每个模板进行相似度比较，将相似度最高者作为识别结果输出。

其中大部分采用voicebox库中的函数，需要把voicebox添加到路径中。 模板在测试程序中共有5个，通过i进行设定，命名原则：数字a，如1a 被测试对象一个，命名原则：数字b，如1b 测试程序为dtwTest 其他的都是一些函数原型

DTW算法VC++实现 源代码非常好，注释非常清晰，希望对大家有用

在日常的生活中我们最经常使用的距离毫无疑问应该是欧式距离，但是对于一些特殊情况，欧氏距离存在着其很明显的缺陷，比如说时间序列，举个比较简单的例子，序列A：1,1,1,10,2,3，序列B：1,1,1,2,10,3，如果用欧氏距离，也就是distance[i][j]=(b[j]-a[i])*(b[j]-a[i])来计算的话，总的距离和应该是128，应该说这个距离是非常大的，而实际上这个序列的图像是十分相似的，这种情况下就有人开始考虑寻找新的时间序列距离的计算方法，然后提出了DTW算法，这种方法在语音识别，机器学习方便有着很重要的作用。 这个算法是基于动态规划（DP）的思想，解决了发音长短不一的模板匹配问题，简单来说，就是通过构建一个邻接矩阵，寻找最短路径和。 还以上面的2个序列作为例子，A中的10和B中的2对应以及A中的2和B中的10对应的时候，distance[3]以及distance[4]肯定是非常大的，这就直接导致了最后距离和的膨胀，这种时候，我们需要来调整下时间序列，如果我们让A中的10和B中的10 对应 ，A中的1和B中的2对应，那么最后的距离和就将大大缩短，这种方式可以看做是一种时间扭曲，看到这里的时候，我相信应该会有人提出来，为什么不能使用A中的2与B中的2对应的问题，那样的话距离和肯定是0了啊，距离应该是最小的吧，但这种情况是不允许的，因为A中的10是发生在2的前面，而B中的2则发生在10的前面，如果对应方式交叉的话会导致时间上的混乱，不符合因果关系。 接下来，以output[6][6](所有的记录下标从1开始，开始的时候全部置0)记录A，B之间的DTW距离，简单的介绍一下具体的算法，这个算法其实就是一个简单的DP，状态转移公式是output[i] [j]=Min(Min(output[i-1][j],output[i][j-1]),output[i-1][j-1])+distance[i] [j];最后得到的output[5][5]就是我们所需要的DTW距离.

不仅有dtw的源代码吗，还有其改进的代码，已经试验过，可以运行

这个是我自己写的小论文，已经发表，是关于DTW算法改进的，有实验和实验结果

将网上的一些DTW代码进行了整合。将其中的端点检测程序修改了一下。使其更加的能抵抗环境噪声。本程序能循环检测说话人的语音。

提取MFCC参数，用DTW（动态时间规整）模型实现0-9的数字语音识别。

用matlab实现了DTW算法，已经经过了测试

用matlab实现了DTW算法，已经经过了测试 用matlab实现了DTW算法，已经经过了测试 用matlab实现了DTW算法，已经经过了测试 用matlab实现了DTW算法，已经经过了测试