https://wiki-de.moshellshocker.dns64.de/index.php?action=history&feed=atom&title=Dynamic_Time_WarpingDynamic Time Warping - Versionsgeschichte2026-05-23T00:59:02ZVersionsgeschichte dieser Seite in Wikipedia (Deutsch) – Lokale KopieMediaWiki 1.43.8https://wiki-de.moshellshocker.dns64.de/index.php?title=Dynamic_Time_Warping&diff=1626971&oldid=previmported>RonMeier: Formatierung2025-11-25T18:44:16Z<p>Formatierung</p>
<p><b>Neue Seite</b></p><div>Die '''Dynamic Time Warping''' (kurz DTW, deutsch etwa dynamische Zeitverzerrung oder dynamische Zeitnormierung) bezeichnet einen [[Algorithmus]], der Wertefolgen unterschiedlicher Länge aufeinander abbildet.<ref name="culjat">{{Internetquelle |url=http://www.inf.fu-berlin.de/lehre/WS98/SprachSem/culjat/node4.html |titel=DTW oder dynamic time warping |hrsg=www.inf.fu-berlin.de |abruf=2009-04-08}}</ref><br />
<br />
== Anwendung ==<br />
[[Datei:Dynamic time warping.png|mini|300px|Dynamic Time Warping zwischen zwei Zeitreihen. Die gestrichelten Linien zeigen die Dynamic-Time-Warping-Relation.]]<br />
<br />
Ein prominentes Anwendungsbeispiel ist die [[Spracherkennung]] (das Erkennen von Sprechmerkmalen beim Diktieren): Hier sollen durch den Vergleich mit gespeicherten Sprachmustern einzelne Wörter aus einem gesprochenen Text erkannt werden. Ein Problem besteht darin, dass die Wörter oft unterschiedlich ausgesprochen werden. Vor allem Vokale werden häufig länger oder kürzer gesprochen, als es im gespeicherten Sprachmuster der Fall ist: Das Wort „heben“ kann zum Beispiel einmal mit kurzem „e“ und ein anderes Mal wie „heeeben“ ausgesprochen werden. Für einen erfolgreichen Mustervergleich sollte das Wort also entsprechend gedehnt bzw. gestaucht werden - jedoch nicht gleichmäßig, sondern vor allem an den Vokalen, die länger bzw. kürzer gesprochen wurden. (In geringerem Maße gilt dies übrigens auch für Konsonanten; zudem können bestimmte Laute komplett verschluckt werden.) Der ''Dynamic-Time-Warping''-Algorithmus leistet diese adaptive ''Zeitnormierung''.<ref name="culjat" /><ref>Andreas Wendemuth: ''Grundlagen der stochastischen Sprachverarbeitung.'' S. 137.</ref><br />
<br />
Weitere Anwendungsbereiche des ''Dynamic Time Warping'' sind z.&nbsp;B. die Gestenerkennung in der Bildverarbeitung oder Messungen bei korreliertem Rauschen in der Physik<ref>Andreas Wendemuth: ''Grundlagen der stochastischen Sprachverarbeitung.'' S. 133.</ref> sowie die [[Anomaliedetektion]].<ref>''Anomaly Detection Using Dynamic Time Warping.'' August 2019 [[doi:10.1109/CSE/EUC.2019.00045]]</ref><br />
<br />
== Algorithmus ==<br />
{{Überarbeiten}}<br />
[[Datei:Animation Dynamic Time Warping.gif|mini]]<br />
[[Datei:Zuordnung Dynamic Time Warping verzerrt.png|mini]]<br />
<br />
Der Algorithmus findet z.&nbsp;B. bei der Spracherkennung Anwendung. Ein gesprochenes Sprachsignal soll mit einer Menge existierender Schablonen (engl. ''Templates'') abgeglichen werden, um das gesprochene Wort zu erkennen und beispielsweise auf einem [[Mobiltelefon]] eine entsprechende Aktion auszuführen. Sprachsignale werden dabei üblicherweise als [[Frequenzspektrum|spektrale]] bzw. [[Cepstrum|cepstrale]] Wertetupel abgespeichert, die mit weiteren Stimminformationen wie Intensität und Ähnliches als Merkmalsvektoren ergänzt werden.<br />
<br />
Mithilfe einer Gewichtungsfunktion für die einzelnen [[Parameter (Mathematik)|Parameter]] jedes Wertetupels kann ein Differenzmaß zwischen zwei beliebigen Werten der beiden Signale aufgestellt werden (Kostenfunktion), beispielsweise eine normalisierte [[Euklidischer Abstand|euklidische Distanz]] oder die [[Mahalanobis-Abstand|Mahalanobis-Distanz]].<ref>A. W. Black, P. Taylor: ''Automatically clustering similar units for unit selection in speech synthesis.'' In: ''Proc. Eurospeech.'' ’97 1997.</ref><br />
<br />
Der Algorithmus sucht nun den „kostengünstigsten“ Weg vom Anfang bis zum Ende beider Signale über die aufgespannte Matrix der paarweise vorliegenden Kosten aller Punkte beider Signale. Dies geschieht mithilfe der dynamischen Programmierung effizient. Den tatsächlichen Pfad, also das [[Warping]], erhält man durch das sogenannte [[Backtracking]] nach dem ersten Durchlauf des Algorithmus. Für die reine Kostenbestimmung (also die Template-Auswahl) reicht allerdings der einfache Durchlauf ohne Backtracking. Das Backtracking ermöglicht eine genaue Abbildung jedes Punktes des kürzeren Signals auf einen oder mehrere Punkte des längeren Signales und stellt damit die ungefähre Zeitverzerrung dar.<br />
<br />
Aufgrund algorithmischer Probleme bei der Extraktion von Sprachsignalparametern (Oktavfehler, Stimmaktivierungsfehler etc.) muss der optimale Pfad durch die Signaldifferenzmatrix nicht zwingend der tatsächlichen Zeitverzerrung entsprechen.<br />
<br />
== Siehe auch ==<br />
* [[Hidden Markov Model]]<br />
* [[Mustererkennung]]<br />
* [[Dynamische Programmierung]]<br />
* [[Iterative Closest Point Algorithm]]<br />
<br />
== Literatur ==<br />
* Andreas Wendemuth: ''Grundlagen der stochastischen Sprachverarbeitung.'' [http://books.google.de/books?id=2FmEsGSpGx8C&pg=PA142&dq=Dynamic+Time+Warping&as_brr=3 (books.google.de)]<br />
* M. Molina, L. J. Tardon, A. M. Barbancho, I. De-Torres, I. Barbancho: ''Enhanced average for event-related potential analysis using dynamic time warping.'' In: ''Biomedical Signal Processing and Control.'' Band 87, 2024, S. 105531.<br />
* M. Hosseini, A. Zivony, [[Martin Eimer (Neuropsychologe)|M. Eimer]], B. Wyble, H. Bowman: ''Transient Attention Gates Access Consciousness: Coupling N2pc and P3 Latencies Using Dynamic Time Warping.'' In: ''Journal of Neuroscience.'' Band 44, Nr. 26, 2024, e179823202.<br />
<br />
== Einzelnachweise ==<br />
<references /><br />
<br />
[[Kategorie:Künstliche Intelligenz]]<br />
[[Kategorie:Dynamische Programmierung]]</div>imported>RonMeier