如果您传入 2 个向量，它会返回向量之间的非标准化距离、它们之间的累积距离、扭曲路径的长度（标准化因子）、扭曲路径点和两个扭曲的输入向量。 如果选择 pflag=1，您也可以绘制结果

DTW（Dynamic Time Warping / 动态时间归整） python实现的Demo 基于 python 2.7 实现

相似度 量化两条任意曲线之间的差异 在这种情况下的曲线是： 由独立数据点离散化 从头到尾有序 考虑以下两条曲线。 我们要量化数值曲线与实验曲线的差异。 请注意，两条曲线中同时没有应力或应变值。 另外，一条曲线比其他曲线具有更多的数据点。 在理想情况下，数值曲线将与实验曲线完全匹配。 这意味着两条曲线将直接出现在彼此的顶部。 我们的相似性度量将返回彼此重叠的两条曲线之间的零距离。 方法涵盖 该库包括以下方法来量化两条曲线之间的差异（或相似性）： 部分曲线映射x （PCM）方法：匹配两条曲线之间的子集区域[1] 面积法x ：一种用于计算2D空间中两条曲线之间的面积的算法[2] 离散Frechet距离y ：两条曲线之间的最短距离，在该距离上，您可以非常快地独立沿着每条曲线行驶（（狗问题）[3、4、5、6、7、8] 曲线长度x方法：假定曲线的唯一真实自变量是曲线从原点开始的弧长距离[9

kNN_DTW 这是使用动态时间规整的k最近邻居搜索的实现。 它以100％安全的Rust代码实现，并且不依赖任何依赖项。 它正在使用UCR_URS套件和EAPrunedDTW中建议的所有优化。 据我所知，此实现应产生最新的时间复杂度和O（n）的空间复杂度。 用法 将依赖项添加到您的Cargo.toml中，然后可以使用提供的功能 修复了有关URC套件的错误/差异 修复了排序错误UCR套件建议对查询进行排序以提高速度。 虽然排序不正确 累积边界（变量cb）以零结束。cb [i]表示从索引i到结束为止我们将累积的距离的下限。 一旦到达终点，就无法累积更多的成本。 如果最后的cb不为零，我们将要求候选序列的DTW至少比bsf好得多 使用类似于更快的EAPrunedDTW的实现 成本函数可以轻松替换 观察值可以是任何类型 可能进行多维观察 查询的信封考虑了边界约束（第一个点和最后一个点的上，下信封

【语音识别】基于语音分帧+端点检测+pitch提取+DTW算法歌曲识别matlab源码.md

在matlab上的dtw语音识别算法。对10个语音进行测试，可以直接使用。很好的matlab上的dtw程序

详细介绍了语音识别的现状，特别详细介绍了孤立词语音识别，并且着重介绍了DTW算法

DSP 语音识别程序 DTW MFCC，嵌入式平台语音识别源码

DTW是一种测试两个序列在时间和速度上的相似性的一种算法，可应用到视频、音频分析中。

压缩包中包含20个标准测试语音，分为两组，一组10个，7个.m文件，是在matlab下运行的。程序提取了语音的MFCC参数，通过DTW算法进行模板匹配，比较了两组语音模板的距离。最后识别出距离最小的就是相同的语音。