基于片段和DTW的模式识别.docVIP

基于片段和DTW的模式识别 摘要 本文专门对动态过程的状态进行评估。过程状态和异常将从被测量过程变量的模式中得到，利用这些模式的正确反映和分类，可以对一种确切的运行状态进行识别。然而相同状态的不同模式有着不同的时间持续或者大小，这篇论文中将提到一种动态时间归正算法（DTW），通过相似性匹配法进行不同模式的比较和分类。这个算法的主要改进在于利用了片段的方法对模式变量的性质进行反映。 介绍 在动态过程的状态评估中对被测量动态信号的解释是一项最重要的工作，即对错误的检测和修正。因此，拥有处理信号的工具是十分重要的，性质的反映期望能够代表被监测信号的趋势（倾向、震动度、警示、短暂度…….），特别是在错误的检测和修正中。根据有关过程和行为的知识，一些技术可以用于这个目的。 利用片段的方法反映信号是其中一种技术。在这种情况下，一系列的片段被用于描述表征特定变化状况的模式中，然后，问题转化为获得能够表征这些模式的分类机制。这篇文章将描述用于这种模式识别技术的一种工具。 论文将按照以下线索进行组织。如下部分讨论用以类似时间级数的方法，然后介绍动态时间归整算法和有关片段的基本概念。最后，提及DTW的一项新进展并在一个诊断应用例子中进行检查。 时间级数比较 在许多应用中时间级数比较的研究已经大量展开，下一步，将观察距离类似的一些模型。 Agrawal et al. (1995b)提出形状定义语言SDL，用于取回包含在基于形状的历史中的信息。SDL在它可以进行频率比较的改进的性质描述中永许改变原始的数据。 在Agrawal et al. (1995a)中推出了另一种相似模型，基于两个时间序列如果有足够非重叠时间有序的相似子序列则认为它们是相似的。由于这一模型的推出，通过建立一个可索引的数据结构，快速搜索技术被用于检测一组序列中的相似序列成分。Faloutsos et al(1994) 或 Chan and Fu (1999)提出了把Haar微波转变用于时间系列索引问题的其他从收集到的序列中确定有用序列的索引方法。Keogh 和 Pazzani(1998)采用了一种新的表示法，组成piecewise线性片段去描述形状和包含每个单独线性片段的重量矢量，并永许用户自己定义各种各样的类似量。(Keogh Pazzani 2000) 介绍了一种支持索引法的维度伸缩办法。 另外一种有关序列相似的有用量是最长共同序列（LLCS）的长度，基于从一个序列传到另一个序列的编辑长度。Paterson 和 Dancík, (1994)对一些存在方案进行了修订。 在Konstantinov and Yoshida 1992中线的组合代表了信号的性质形状。因此，如果两种瞬时状态的qshapes偶合可以认为它们性质相同。一个真实时间部分的分析程序，从预先确定的时间间隙中提取qshapes，并把它们与储存了有趣行为的可扩张库进行比较。 在(Bakshi and Stephanopoulos 1994b)中描述了基于片段的模式识别。每一个模式被一连串元素代表，同时用模式语法的办法进行定义。包含所有分类信息的特征序列通过与代表这些趋势中的相似事件的明显句法描述的匹配而确定，模式匹配促进了被用语解决需决定树法再次解决的分类问题中的性质和数量的提取。 动态时间归整 通过时间序列数据进行的大部分算法是使用欧几里得距离或者它的一些变化。然而由于它对于时间轴上小的失真非常敏感，欧几里得距离可以形成相似上的不正确量。 一种试图解决这种不便的方法是动态时间归整法（DTW），这种技术是利用动态方程把时间级数与一个特定的模板对齐使累积距离最小。DTW已经广泛用于消除词识别中因讲话的不同速度引起的失真。 下面描述DTW的概念： 设两个长度分别为M和N的时间级数X、Y： X=x1,x2,...,xi,...,xm Y=y1,y2,...,yj,...,yn (1) 为了对齐两序列，DTW将在M*N的矩阵中寻找一个具有K点的W序列，矩阵中每一个元素（i，j）包含了Xi和Xj之间的距离d（Xi，Yj）。路径W是为了减少两序列间矩阵元素对齐的距离。 W=w1,w2,...,wk max(m,n)?k?m+n (2) wk=[ik,jk] (3) ik和jk分别表示轨道X和Y的索引时间，为了寻找最佳路径Wi，考虑一些关于匹配过程的条件，主要有： ?路径端点条件：w?????，??，wk=[m,n]?连续性时间匹配路径不可能是逆时的，所以必须满足：ik+ 1ikjk+1jk。 通过把该点距离d(xi,yj)与先前单元中距离的最小值之和D(i,j) 作为累积距离来抽取路径： D(i,j)=d(xi,yj)+min[D(i-1,j-1),D(i-1,j),D(i,j-1)] ( 1 ) 图1：形状相同的两个信号，a）由