Алгоритм динамической трансформации временно́й шкалы (DTW-алгоритм, от англ. ) — алгоритм, позволяющий найти оптимальное соответствие между временными последовательностями. Впервые применен в распознавании речи, где использован для определения того, как два речевых сигнала представляют одну и ту же исходную произнесённую фразу. Впоследствии...
Обычно степень полинома опорной функции выбирается не выше {\displaystyle N-1} N-1, где {\displaystyle N} N - количество точек выборки. Часто бывает достаточно использовать в качестве опорных функции полиномы второй степени. В таком случае на каждом шаге итерации степень результирующего полинома удваивается.
Вместо полинома Колмогорова-Габора можно использовать ряды Фурье. Их имеет смысл применять, если в исходных данных наблюдается периодичность (например, уровень воды в реках, температура воздуха, объём осадков). Полученная в таком случае модель будет полигармонической [1].
...................................…Следующим шагом была новая модель: к цене закрытия применяем фильтр низких частот (я использовал фильтр Батерворта 2-го порядка), применяем полиномиально-гармоническую аппроксимацию, преобразуем A*cos(wx)+B*sin(wx) к виду M*sin(wx+f) и в качестве вторичных признаков берем M и f. …. И вот с такой моделью мне удалось построить сеть, которая имела очень хорошие обобщающие свойства: новые данные почти все правильно распознавала........................
在 "有趣的事情 "下。))
DTW算法
想象一下，你需要在系列中找到一些价格相等的部分，但由于价格不是静止的，当然由于这个属性，这些部分的大小会不同，如何处理这种情况？
我知道两个可能的解决方案--插值和dwt算法。
про dwt - https://ru.wikipedia.org/wiki/%D0%90%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC_%D0%B4%D0%B8%D0%BD%D0%B0%D0%BC%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D1%82%D1%80%D0%B0%D0%BD%D1%81%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D0%B2%D1%80%D0%B5%D0%BC%D0%B5%D0%BD%D0%BD%D0%BE%D0%B9_%D1%88%D0%BA%D0%B0%D0%BB%D1%8B
我就不说公式了，因为我自己也不知道，我也不说文字了，我只给出注释过的代码，供大家转载......
所以这个代码是用来解决一个问题的。
我们有一个特定的图案，让我们称之为"主图案"，大小（长度）为8点（这个数字是一个任意的猜测）。
你应该找到与主图案 相似的图案，但它们的尺寸是5点和13点（数字是随机抽取的）。
结果在图片上
如何使用它以及它是否可能是一个开放的问题，在我看来，我已经成功地使用了它，但你需要记住，所有这些只是一个实现你的想法的工具，而不是想法本身......。
我把代码贴在下面
简单地说，该代码的全部意义在于此。
X <- rnorm(10)
Y <- rnorm(20)
my.dtw <- dtw(X ,Y)
my.dtw$distance
其中
[1] 14.17198
这是一个衡量接近程度的指标（欧氏距离），它越小，X和Y的接近程度就越大。
简单地说，该代码的全部意义在于此。
X <- rnorm(10)
Y <- rnorm(20)
my.dtw <- dtw(X ,Y)
my.dtw$distance
其中
[1] 14.17198
这是一个衡量接近程度的指标（欧氏距离），它越小，X和Y的接近程度就越大。
以防万一：如果接近度量=1，那么第二行是通过变形从第一行得到的？
通常，当你想改变两行之间的距离时，规则是这些行必须是相同的长度。
dtw可以测量两个不同尺寸的行，当然 它会扭曲行以找到正确的接近值。
mytarmailS:
我们有一个图案，让我们称它为"主图案"，尺寸（长度）为8点（图中是随机的）。
我需要找到与主图案 类似的图案，但它们有5点和13点（数字是随机抽取的）。
这是在同一个主题中，第1页。130.
简而言之，经典的DTW算法分别对固定长度为n和m的两个片段进行比较，填入数组[1...n, 1...m]，并从单元格[n, m]中获取结果。如果你想让某些段有随机的长度，例如n=8，m的值从5到13，你可以填充数组8*13，并从单元格[8,5]到[8,13]中取最小的结果除以路径长度。
事实证明，俄罗斯的维基百科在这段时间内重写了整篇文章，而我却不知道。在英文文章 中没有任何变化，伪代码仍然存在，通过它可以更容易地理解算法的原理。
方法#4）但没有进入 "前一百名 "俱乐部（133）（0.68705），被书呆子们打脸））。
这是在同一个主题中，第1页。130.
简而言之，在经典的DTW算法中....................
或者你可以用另一种方式，直接把所有任意部分插值到一个单一的尺寸，然后直接测量那里的相关性或欧几里得。
大家好!
我请求帮助，并提议共同努力创建一些称为 "多谐波逼近 "的算法--这是在 "MSUA "系列算法中非常深入和巧妙的函数逼近，为什么我这么认为，我将在以后用解释和可能的图片来表达。
ссылкаhttps://ru.wikipedia.org/wiki/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%B3%D1%80%D1%83%D0%BF%D0%BF%D0%BE%D0%B2%D0%BE%D0%B3%D0%BE_%D1%83%D1%87%D1%91%D1%82%D0%B0_%D0%B0%D1%80%D0%B3%D1%83%D0%BC%D0%B5%D0%BD%D1%82%D0%BE%D0%B2
链接中的摘录
Вместо полинома Колмогорова-Габора можно использовать ряды Фурье. Их имеет смысл применять, если в исходных данных наблюдается периодичность (например, уровень воды в реках, температура воздуха, объём осадков). Полученная в таком случае модель будет полигармонической [1].
===================================================
还有一个链接，是那些 "MSUA "关于这种奇妙方法的众多书籍中的一本。
这本书有很强的思想性，而且很容易阅读（直到公式开始）非常 强烈推荐阅读https://www.gmdh.net/articles/theory/bookNoiseIm.pdf。
===================================================
也有一些评论证实，多谐波近似是为MO预处理数据的正确方式。
评论摘录
…. И вот с такой моделью мне удалось построить сеть, которая имела очень хорошие обобщающие свойства: новые данные почти все правильно распознавала........................
链接到原始来源http://www.kamynin.ru/archives/4917
它看起来很复杂，而且没有确定的结果，我还是算了吧。
R有一个GMDH包（英文是 "MGUA"）。
顺便说一下，在Numerai中，我也将模型最终确定为logloss<0.69。
0.68930
但不知道从哪里冒出来一百个人，结果是0.4-0.5，有些是地狱，现在涨价了，奖品一般是月亮。