DTW Barycenter Averaging
DTW Barycenter Averaging (DBA) ir metode, ko izmanto, lai aprēķinātu vidējo vai reprezentatīvu laika sēriju kopuma secību, kas ņem vērā temporālo deformāciju un elastīgo attālumu. Atšķirībā no Eiklīda vidējo vērtību aprēķināšanas, kas prasa punktu pa punktam saskaņošanu, DBA samazina dinamiskā laika deformācijas (DTW) attālumu summu, radot jēgpilnu vidējo vērtību secībām ar elastīgu temporālo saskaņošanu. Šo metodi 2011. gadā ieviesa Petitjean ar kolēģiem, un tā tiek plaši izmantota laika sēriju klasterizācijā un kopsavilkumā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- Salvador, S., & Chan, P. (2004). FastDTW: Toward accurate dynamic time warping in linear time and space. Intelligent Data Analysis, 11(5), 561–580. link ↗
- Petitjean, F., Ketterlin, A., & Gançarski, P. (2011). A global averaging method for dynamic time warping, with applications to clustering. Pattern Recognition, 44(3), 678–693. DOI: 10.1016/j.patcog.2010.09.013 ↗
- Cuturi, M., & Blondel, M. (2016). Soft-DTW: A differentiable loss function for time-series. arXiv preprint arXiv:1703.01541. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dynamic Time Warping Barycenter Averaging. ScholarGate. https://scholargate.app/lv/time-series/dtw-barycenter-averaging
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Diskrētā viļņu transformācijaLaikrindas↔ salīdzināt
- Dinamiskā laika deformācijaLēmumu pieņemšana↔ salīdzināt
- Hierarhiskā klasterizācijaMašīnmācīšanās↔ salīdzināt
- K-means klasterizācijaMašīnmācīšanās↔ salīdzināt
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →