Python模块 动态时间扭曲被用作时间序列之间的相似度。 该软件包提供了两种实现： 该算法的基本版本（请参见） 依赖scipy cdist的加速版本（有关详细信息，请参见 ） import numpy as np # We define two sequences x, y as numpy array # where y is actually a sub-sequence from x x = np . array ([ 2 , 0 , 1 , 1 , 2 , 4 , 2 , 1 , 2 , 0 ]). reshape ( - 1 , 1 ) y = np . array ([ 1 , 1 , 2 , 4 , 2 , 1 , 2 , 0 ]). reshape ( - 1 , 1 ) from dtw import dtw manhattan_distance = lambd

基于动态时间规整（DTW）的孤立字语音识别实验

随着语音识别技术在智能家居领域的不断应用，如何得到性能更优的语音控制系统成为关键。针对目前市场上存在大量低识别率、实时性较差的语音控制开关的现状。本系统采用动态时间规整（DTW：Dynamic Time Warping）结合矢量量化（VQ：Vector Quantization）作为识别算法，实现了较好识别效果。实验结果表明，本系统离线识别率达到99%，实测识别率也达到97%，平均耗时只需15 ms。本系统在最小嵌入式系统板上实现对孤立词语音命令进行实时识别，体积更小、集成度更高；通过最小成本满足系统对实时性和便捷性的要求，并且具有很大的扩展空间。

亲测好用，先运行setTemplates再运行matchTemplates，记得将set里面的三个调用模板函数的F\删掉，有问题记得留言~

基于动态时间规整的因果关系分析，用于非平稳故障过程的根本原因诊断

找的其他代码有错误，自己编写了一个。 斜方向的距离用的两倍，使用者可自行设置大小。如有错误请指正！

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。