摘要：转自：http://www.cnblogs.com/luxiaoxun/archive/2013/05/09/3069036.htmlDynamic Time Warping（DTW）是一种衡量两个时间序列之间的相似度的方法，主要应用在语音识别领域来识别两段语音是否表示同一个单词。1. DTW方法原理在时间序列中，需要比较相似性的两段时间序列的长度可能并不相等，在语音识别领域表现为不同人的语速不同。而且同一个单词内的不同音素的发音速度也不同，比如有的人会把“A”这个音拖得很长，或者把“i”发的很短。另外，不同时间序列可能仅仅存在时间轴上的位移，亦即在还原位移的情况下，两个时间序列是一致的。在这 阅读全文

摘要：动态时间规整DTW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 阅读全文

摘要：谷歌路过这个专门介绍HMM及其相关算法的主页：http://rrurl.cn/vAgKhh里面图文并茂动感十足，写得通俗易懂，可以说是介绍HMM很好的范例了。一个名为52nlp的博主（google “I Love Natural Language Processing”估计就能找到）翻译后的HMM入门介绍如下，由于原文分了很多章节，我嫌慢了还是一次性整理，长文慎入吧。一、介绍（Introduction） 我们通常都习惯寻找一个事物在一段时间里的变化模式（规律）。这些模式发生在很多领域，比如计算机中的指令序列，句子中的词语顺序和口语单词中的音素序列等等，事实上任何领域中的一系列事件都有可能产生. 阅读全文