CN113077000A - 特征序列对齐方法 - Google Patents

Abstract

本申请涉及一种特征序列对齐方法，获取按照位置坐标从小到大的顺序进行排列的特征序列和标准序列，根据两者的位置坐标和特征值计算两者之间的序列相似度分数和序列距离差。采用聚类算法对特征序列和标准序列进行分类，得到按照位置坐标中心从小到大的顺序进行排序的特征子序列和标准子序列。针对每个特征子序列从标准子序列中筛选满足预设筛选条件的标准子序列，根据特征子序列和筛选得到的标准子序列两者的位置坐标，计算两者之间的子序列相似度分数和子序列距离差。获取每个特征子序列的最大的子序列相似度分数对应的子序列距离差作为特征子序列的修正距离，根据修正距离对每个特征子序列进行修正，从而建立特征序列和标准序列之间的对齐关系。

Description

特征序列对齐方法

技术领域

本申请涉及数据处理技术领域，特别是涉及一种特征序列对齐方法。

背景技术

在交通里程对齐以及电梯故障检测等应用场景中，通常需要获取物体实际运动距离，并将实际运动距离与标准运动距离进行对比，从而实现对物体运行状态的判断。

然而，在实际应用中，由于物体实际运动距离存在由各种外界或人为因素导致的误差，故其与标准运动距离相差较大，无法对物体运行状态实现准确判断。

发明内容

基于此，有必要针对现有技术中无法根据实际运动距离对物体运行状态进行准确判断的问题，提供一种特征序列对齐方法。

本申请提供一种特征序列对齐方法，包括：

获取特征序列和标准序列，所述特征序列和所述标准序列中的元素均包括位置坐标和特征值，所述特征序列和所述标准序列均按照所述位置坐标从小到大的顺序进行排列；

根据所述位置坐标和所述特征值，计算所述特征序列和所述标准序列之间的序列相似度分数和序列距离差；

采用聚类算法对所述特征序列和所述标准序列进行分类，以分别将所述特征序列和所述标准序列划分为按照位置坐标中心从小到大的顺序进行排序的特征子序列和标准子序列；

针对每个所述特征子序列，从所述标准子序列中筛选满足预设筛选条件的所述标准子序列；

根据所述特征子序列和筛选得到的所述标准子序列两者的所述位置坐标，计算每个所述特征子序列和筛选得到的所述标准子序列之间的子序列相似度分数和子序列距离差；

获取每个所述特征子序列的最大的所述子序列相似度分数对应的所述子序列距离差，以将所述子序列距离差作为所述特征子序列的修正距离；

根据所述修正距离对每个所述特征子序列进行修正，以建立所述特征序列和所述标准序列之间的对齐关系。

在其中一个实施例中，所述预设筛选条件为：位置坐标中心距离差与所述序列距离差之间的差值小于预设距离阈值，其中所述位置坐标中心距离差为所述特征子序列的位置坐标中心与所述标准子序列中的位置坐标中心之间的距离差。

在其中一个实施例中，所述获取特征序列和标准序列之前，还包括：

获取原始特征序列和原始标准序列；

根据所述位置坐标重新排列所述原始特征序列和所述原始标准序列，得到按照所述位置坐标从小到大进行排列的所述特征序列和所述标准序列。

在其中一个实施例中，所述根据所述位置坐标和所述特征值，计算所述特征序列和所述标准序列之间的序列相似度分数和序列距离差，包括：

判断所述特征序列和所述标准序列之间是否存在相同类型的所述特征值；

若不存在相同类型的所述特征值，则所述特征序列和所述标准序列之间的所述序列相似度分数为0；

反之，则根据所述特征序列和所述标准序列两者的所述位置坐标生成距离序列；

根据预设对齐判断函数和所述距离序列，计算所述特征序列和所述标准序列之间的所述序列相似度分数和所述序列距离差。

在其中一个实施例中，所述根据所述特征序列和所述标准序列两者的所述位置坐标生成距离序列，包括：

根据所述特征序列和所述标准序列两者的位置坐标，计算距离上限阈值和距离下线阈值；

设置分段数，并根据所述分段数、所述距离上限阈值和所述距离下线阈值生成所述距离序列。

在其中一个实施例中，所述距离上限阈值为所述标准序列的最大位置坐标减去所述特征序列的最小位置坐标，所述距离下线阈值为所述标准序列的最小位置坐标减去所述特征序列的最大位置坐标。

在其中一个实施例中，所述距离序列为：

其中，nd为所述分段数，dmin为所述距离下线阈值，dmax为所述距离上限阈值，i＝0,1,2,……,nd。

在其中一个实施例中，所述根据预设对齐判断函数和所述距离序列，计算所述特征序列和所述标准序列之间的所述序列相似度分数和所述序列距离差，包括：

根据所述预设对齐判断函数，计算所述距离序列中每个距离元素的相似度分数；

获取所述距离序列中距离元素的相似度分数的最大值及其对应的距离，其中所述相似度分数的最大值为所述序列相似度分数，所述相似度分数的最大值对应的距离为所述序列距离差。

在其中一个实施例中，

所述距离序列中每个距离的所述序列相似度分数为：gdl_i(A′,B′,dl_i)＝∑f_l(l_k,f_k)；

所述预设对齐判断函数为f_l(l_k,f_k)，其满足：

且f_k＝f′_p时，

反之f_l(l_k,f_k)＝0；

其中，A′为所述特征序列，l_k和f_k分别为A′的所述位置坐标和所述特征值，B′为所述标准序列，l′_p和f′_p分别为B′的所述位置坐标和所述特征值，dl_i为所述距离序列中的距离元素，d_yz为预设判断阈值，

为根据f_k所在特征值种类唯一确定的特征分数。

在其中一个实施例中，所述根据所述特征子序列和筛选得到的所述标准子序列两者的所述位置坐标，计算每个所述特征子序列和筛选得到的所述标准子序列之间的子序列相似度分数和子序列距离差，包括：

根据所述特征子序列和筛选得到的所述标准子序列两者的所述位置坐标，分别获取所述特征子序列和筛选得到的所述标准子序列两者的位置坐标极值，其中所述位置坐标极值包括最小位置坐标和最大位置坐标；

根据所述特征子序列和筛选得到的所述标准子序列两者的所述位置坐标极值以及所述序列距离差，计算距离上限阈值和距离下限阈值；

设置分段数，并根据所述分段数、所述距离上限阈值和所述距离下线阈值生成距离序列；

根据预设对齐判断函数，计算所述距离序列中每个距离元素的相似度分数；

获取所述距离序列中距离元素的相似度分数的最大值及其对应的距离，其中所述相似度分数的最大值为所述子序列相似度分数，所述相似度分数的最大值对应的距离为所述子序列距离差。

本申请提供的特征序列对齐方法，获取按照位置坐标从小到大的顺序进行排列的特征序列和标准序列，并根据两者的位置坐标和特征值计算两者之间的序列相似度分数和序列距离差。采用聚类算法对特征序列和标准序列进行分类，得到按照位置坐标中心从小到大的顺序进行排序的特征子序列和标准子序列。随后，针对每个特征子序列从标准子序列中筛选满足预设筛选条件的标准子序列，并根据特征子序列和筛选得到的标准子序列两者的位置坐标，计算两者之间的子序列相似度分数和子序列距离差。获取每个特征子序列的最大的子序列相似度分数对应的子序列距离差作为特征子序列的修正距离，并根据修正距离对每个特征子序列进行修正，从而建立特征序列和标准序列之间的对齐关系。完成特征序列和标准序列之间的对齐后，可以根据两者之间的数据差准确判断生成特征序列物体的运动状态，提高了运动状态判断的准确性，从而为故障警报或故障检修提供依据。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种特征序列对齐方法流程图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施的限制。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

可以理解，本申请的其中一个实施例中，原始特征序列A＝{(l_i，f_i)}中每一个元素(l_i，f_i)均是由位置坐标l_i和特征值f_i组成。本实施例中，可以定义位置坐标l_i和l_j之间的距离为|l_i-l_j|。还可以定义位置坐标的大小关系为

其中

表示位置原点坐标。另外，可以定义两个特征值相等为

其中σ为设定的距离阈值。其中，两个特征值相等则可以说明两个特征值属于同一特征类，即特征值种类。可以理解，本申请提供的特征序列对齐方法，即原始特征序列A＝{(l_i，f_i)}和原始标准序列B＝{(l′_i，f_i′)}之间的对齐是指根据序列的特征值排列顺序进行两组序列对齐，从而可以建立两组特征序列的位置坐标之间的对应关系，得到相似度最高的序列对齐结果。

请参见图1，本申请提供一种特征序列对齐方法，包括：

步骤S10，获取特征序列和标准序列，特征序列和标准序列中的元素均包括位置坐标和特征值，特征序列和标准序列均按照位置坐标从小到大的顺序进行排列；

步骤S20，根据位置坐标和特征值，计算特征序列和标准序列之间的序列相似度分数和序列距离差；

步骤S30，采用聚类算法对特征序列和标准序列进行分类，以分别将特征序列和标准序列划分为按照位置坐标中心从小到大的顺序进行排序的特征子序列和标准子序列；

步骤S40，针对每个特征子序列，从标准子序列中筛选满足预设筛选条件的标准子序列；

步骤S50，根据特征子序列和筛选得到的标准子序列两者的位置坐标，计算每个特征子序列和筛选得到的标准子序列之间的子序列相似度分数和子序列距离差；

步骤S60，获取每个特征子序列的最大的子序列相似度分数对应的子序列距离差，以将子序列距离差作为特征子序列的修正距离；

步骤S70，根据修正距离对每个特征子序列进行修正，以建立特征序列和标准序列之间的对齐关系。

本申请提供的特征序列对齐方法，获取按照位置坐标从小到大的顺序进行排列的特征序列和标准序列，并根据两者的位置坐标和特征值计算两者之间的序列相似度分数和序列距离差。采用聚类算法对特征序列和标准序列进行分类，得到按照位置坐标中心从小到大的顺序进行排序的特征子序列和标准子序列。随后，针对每个特征子序列从标准子序列中筛选满足预设筛选条件的标准子序列，并根据特征子序列和筛选得到的标准子序列两者的位置坐标，计算两者之间的子序列相似度分数和子序列距离差。获取每个特征子序列的最大的子序列相似度分数对应的子序列距离差作为特征子序列的修正距离，并根据修正距离对每个特征子序列进行修正，从而建立特征序列和标准序列之间的对齐关系。完成特征序列和标准序列之间的对齐后，可以根据两者之间的数据差准确判断生成特征序列物体的运动状态，提高了运动状态判断的准确性，从而为故障警报或故障检修提供依据。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在其中一个实施例中，步骤S10，获取特征序列和标准序列之前，还包括：

步骤S01，获取原始特征序列和原始标准序列；

步骤S02，根据位置坐标重新排列原始特征序列和原始标准序列，得到按照位置坐标从小到大进行排列的特征序列和标准序列。

在其中一个实施例中，步骤S01-步骤S02中，可以先根据每组序列中位置坐标的大小对原始特征序列A和原始标准序列B进行重新排列，从而使原始特征序列A以及原始标准B序列的位置坐标均按照从小到大的顺序进行排列，得到排序后的特征序列A′和标准序列B′。

在其中一个实施例中，步骤S20，根据位置坐标和特征值，计算特征序列和标准序列之间的序列相似度分数和序列距离差，包括：

步骤S210，根据特征序列和标准序列两者的特征值，分别获取特征序列的特征值种类集合和标准序列的特征值种类集合；

步骤S220，判断特征序列的特征值种类集合和标准序列的特征值种类集合之间的交集是否为空集，即判断特征序列和标准序列之间是否存在相同类型的特征值；

步骤S230，若交集为空集，即不存在相同类型的特征值，则特征序列和标准序列之间的序列相似度分数为0；

步骤S240，若交集为非空集，则根据特征序列和标准序列两者的位置坐标，分别获取特征序列和标准序列两者的位置坐标；在其中一个实施例中，可以分别获取特征序列和标准序列两者的位置坐标极值，其中位置坐标极值包括最小位置坐标和最大位置坐标；

步骤S250，根据特征序列和标准序列两者的位置坐标生成距离序列；

步骤S260，根据预设对齐判断函数和距离序列，计算特征序列和标准序列之间的序列相似度分数和序列距离差。

在其中一个实施例中，特征序列A′和标准序列B′之间的序列相似度分数可以用gx(A′,B′)表示，序列距离差可以用dx表示。步骤S210中，可以根据特征序列A′和标准序列B′两者的特征值，分别获取特征序列A′中出现的特征值种类集合K_j，以及标准序列B′中出现的特征值种类集合K′_j。

在其中一个实施例中，步骤S220-步骤S240中，可以判断特征序列的特征值种类集合K_j和标准序列的特征值种类集合K′_j之间的交集是否为空集，即K_j∩K′_j是否为空集。若

则特征序列A′和标准序列B′之间的序列相似度分数gx(A′,B′)＝0。若交集为非空集，即

则可以根据特征序列A′和标准序列B′两者的位置坐标，分别获取特征序列A′中出现的最小位置坐标l_min和最大位置坐标l_max，以及标准序列B′中出现的最小位置坐标l′_min和最大位置坐标l′_max。

在其中一个实施例中，步骤S250，根据特征序列和标准序列两者的位置坐标生成距离序列，包括：

步骤S251，根据特征序列和标准序列两者的位置坐标，计算距离上限阈值和距离下线阈值；

步骤S252，设置分段数，并根据分段数、距离上限阈值和距离下线阈值生成距离序列。

在其中一个实施例中，步骤S251中，可以根据特征序列A′和标准序列B′两者的位置坐标极值，计算距离上限阈值和距离下线阈值。本实施例中，距离上限阈值为标准序列的最大位置坐标减去特征序列的最小位置坐标，即dmax＝l′_max-l_min。距离下线阈值为标准序列的最小位置坐标减去特征序列的最大位置坐标，即dmin＝l′_min-l_max。

在其中一个实施例中，步骤S252中，距离序列{dl_i}可以表示为：

其中，nd为分段数且nd为正整数，dmin为距离下线阈值，dmax为距离上限阈值，i＝0,1,2,……,nd。

在其中一个实施例中，步骤S260，根据预设对齐判断函数和距离序列，计算特征序列和标准序列之间的序列相似度分数和序列距离差，包括：

步骤S261，根据预设对齐判断函数，计算距离序列中每个距离元素的相似度分数；

步骤S262，获取距离序列中距离元素的相似度分数的最大值及其对应的距离，其中相似度分数的最大值为序列相似度分数，相似度分数的最大值对应的距离为序列距离差。

在其中一个实施例中，步骤S261中，距离序列{dl_i}中每个距离元素dl_i的序列相似度分数为：gdl_i(A′,B′,dl_i)＝Σf_l(l_k,f_k)。预设对齐判断函数为f_l(l_k,f_k)，其满足：

且f_k＝f_p′时，

反之f_l(l_k,f_k)＝0。其中，A′为特征序列，l_k和f_k分别为A′的位置坐标和特征值。B′为标准序列，l′_p和f_p′分别为B′的位置坐标和特征值，dl_i为距离序列中的距离元素，d_yz为预设判断阈值，

为根据f_k所在特征值种类唯一确定的特征分数。可以理解，特征分数可以决定该特征的重要性。

在其中一个实施例中，步骤S262中，获取相似度分数集合{gdl_i}中的相似度分数的最大值及其对应的距离，其中相似度分数的最大值为序列相似度分数gx，相似度分数的最大值对应的距离为序列距离差dx。

在其中一个实施例中，步骤S30中，采用聚类算法对特征序列和标准序列进行分类，以分别将特征序列和标准序列划分为按照位置坐标中心从小到大的顺序进行排序的特征子序列和标准子序列。本实施例中，聚类算法可以为K-means算法，根据位置坐标可以使用K-means算法将特征序列A′进行分类，以将特征序列A′划分为n个特征子序列，其中每个特征子序列可以表示为S_j＝{(l_i,f_i)}，其可以按照子序列内位置坐标从小到大进行排序。同理，可以对标准序列B′重复上述操作，以将标准序列B′划分为m个特征子序列，每个特征子序列可以表示为S′_j＝｛(l′_i,f′_i)｝。

在其中一个实施例中，步骤S40中，预设筛选条件为，对于特征序列A′中任意一个特征子序列S_i及其对应的特征子序列位置坐标中心

在标准序列B′中查找标准子序列S′_j，使得标准子序列S′_j的位置坐标中心

满足

其中dx_yz为预设距离阈值，最后可以得到标准序列B′中一个满足预设筛选条件的标准子序列集合{S′_j}。

在其中一个实施例中，步骤S50，根据特征子序列和筛选得到的标准子序列两者的位置坐标，计算每个特征子序列和筛选得到的标准子序列之间的子序列相似度分数和子序列距离差，包括：

步骤S510，根据特征子序列和筛选得到的标准子序列两者的位置坐标，分别获取特征子序列和筛选得到的标准子序列两者的位置坐标极值，其中位置坐标极值包括最小位置坐标和最大位置坐标；

步骤S520，根据特征子序列和筛选得到的标准子序列两者的位置坐标极值以及序列距离差，计算距离上限阈值和距离下限阈值；

步骤S530，设置分段数，并根据分段数、距离上限阈值和距离下线阈值生成距离序列；

步骤S540，根据预设对齐判断函数，计算距离序列中每个距离元素的相似度分数；

步骤S550，获取距离序列中距离元素的相似度分数的最大值及其对应的距离，其中相似度分数的最大值为子序列相似度分数，相似度分数的最大值对应的距离为子序列距离差。

在其中一个实施例中，步骤S510中，根据特征子序列S_i和筛选得到的标准子序列集合{S′_j}中的标准子序列S′_j两者的位置坐标，分别获取特征子序列S_i和筛选得到的标准子序列S′_j两者的位置坐标极值，即获取特征子序列S_i中出现的最小位置坐标L_min和最大位置坐标L_max，以及标准子序列S′_j中出现的最小位置坐标L′_min和最大位置坐标L′_max。

在其中一个实施例中，步骤S520中，根据特征子序列S_i和筛选得到的标准子序列S′_j两者的位置坐标极值以及序列距离差dx，计算距离上限阈值dmax＝L′_max-L_min+dx，以及距离下限阈值dmin＝L′_min-L_max+dx。

在其中一个实施例中，步骤S530-步骤S550中，使用步骤S250-步骤S260的计算方法得到不同距离dl_i下的特征子序列S_i与标准子序列集合{S_j′}中每一个标准子序列的相似度分数和最优距离差。其中，相似度分数的最大值作为子序列相似度分数，相似度分数的最大值对应的距离作为子序列距离差，即最优距离差。

在其中一个实施例中，步骤S60中，获取特征子序列S_i与标准子序列集合{S_j′}中每一个标准子序列的相似度分数的最大值对应的子序列距离差作为当前特征子序列S_i的修正距离。可以理解，若标准子序列集合

则修正距离为dx。

在其中一个实施例中，步骤S70中，根据修正距离对每个特征子序列S_i进行修正，以建立特征序列A′和标准序列B′之间的对齐关系。计算特征序列A′每一个特征子序列S_i的修正距离，根据修正距离将对特征序列A′和标准序列B′在位置坐标建立对齐关系，可以使两个序列对齐后特征值分布的相似度得分达到最大值。在其中一个实施例中，根据修正距离建立对齐关系可以为标准序列B′的位置坐标减去修正距离即可得到特征序列A′的位置坐标。

请参见表1，在其中一个实施例中，电梯故障检测中可以使用电梯下降距离作为位置坐标，并使用电梯速度与加速度组成的二元组对应的状态种类作为特征值。本实施例中，可以根据特征序列对齐不同的应用场景进行特征融合，即可以将两个或者多个特征值融合为一个具体的特征数值。进行特征序列和标准序列的特征序列对齐后，可以实现同一电梯检测时电梯制动停止位置与标准位置的对齐，从而可以继续计算电梯停止位置与标准位置的位移差，根据位移差可以得到电梯的制动距离，从而判断电梯的性能状态是否发生故障。本实施例中，特征序列和标准序列对齐前的数据分布可以参见表1，其中block_index为位置坐标，mark_type为特征值。本实施例中，特征序列和标准序列进行对齐后，特征序列可以与标准序列的数据相同，故可以判断电梯不存在故障。

表1对齐前特征序列和标准序列

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种特征序列对齐方法，其特征在于，包括：

获取特征序列和标准序列，所述特征序列和所述标准序列中的元素均包括位置坐标和特征值，所述特征序列和所述标准序列均按照所述位置坐标从小到大的顺序进行排列；

根据所述位置坐标和所述特征值，计算所述特征序列和所述标准序列之间的序列相似度分数和序列距离差；

采用聚类算法对所述特征序列和所述标准序列进行分类，以分别将所述特征序列和所述标准序列划分为按照位置坐标中心从小到大的顺序进行排序的特征子序列和标准子序列；

针对每个所述特征子序列，从所述标准子序列中筛选满足预设筛选条件的所述标准子序列；

根据所述特征子序列和筛选得到的所述标准子序列两者的所述位置坐标，计算每个所述特征子序列和筛选得到的所述标准子序列之间的子序列相似度分数和子序列距离差；

获取每个所述特征子序列的最大的所述子序列相似度分数对应的所述子序列距离差，以将所述子序列距离差作为所述特征子序列的修正距离；

根据所述修正距离对每个所述特征子序列进行修正，以建立所述特征序列和所述标准序列之间的对齐关系。

2.根据权利要求1所述的特征序列对齐方法，其特征在于，所述预设筛选条件为：位置坐标中心距离差与所述序列距离差之间的差值小于预设距离阈值，其中所述位置坐标中心距离差为所述特征子序列的位置坐标中心与所述标准子序列中的位置坐标中心之间的距离差。

3.根据权利要求1所述的特征序列对齐方法，其特征在于，所述获取特征序列和标准序列之前，还包括：

获取原始特征序列和原始标准序列；

根据所述位置坐标重新排列所述原始特征序列和所述原始标准序列，得到按照所述位置坐标从小到大进行排列的所述特征序列和所述标准序列。

4.根据权利要求1所述的特征序列对齐方法，其特征在于，所述根据所述位置坐标和所述特征值，计算所述特征序列和所述标准序列之间的序列相似度分数和序列距离差，包括：

判断所述特征序列和所述标准序列之间是否存在相同类型的所述特征值；

若不存在相同类型的所述特征值，则所述特征序列和所述标准序列之间的所述序列相似度分数为0；

反之，则根据所述特征序列和所述标准序列两者的所述位置坐标生成距离序列；

根据预设对齐判断函数和所述距离序列，计算所述特征序列和所述标准序列之间的所述序列相似度分数和所述序列距离差。

5.根据权利要求4所述的特征序列对齐方法，其特征在于，所述根据所述特征序列和所述标准序列两者的所述位置坐标生成距离序列，包括：

根据所述特征序列和所述标准序列两者的位置坐标，计算距离上限阈值和距离下线阈值；

设置分段数，并根据所述分段数、所述距离上限阈值和所述距离下线阈值生成所述距离序列。

6.根据权利要求5所述的特征序列对齐方法，其特征在于，所述距离上限阈值为所述标准序列的最大位置坐标减去所述特征序列的最小位置坐标，所述距离下线阈值为所述标准序列的最小位置坐标减去所述特征序列的最大位置坐标。

7.根据权利要求5或6所述的特征序列对齐方法，其特征在于，所述距离序列为：

其中，nd为所述分段数，dmin为所述距离下线阈值，dmax为所述距离上限阈值，i＝0,1,2,......,nd。

8.根据权利要求4所述的特征序列对齐方法，其特征在于，所述根据预设对齐判断函数和所述距离序列，计算所述特征序列和所述标准序列之间的所述序列相似度分数和所述序列距离差，包括：

根据所述预设对齐判断函数，计算所述距离序列中每个距离元素的相似度分数；

获取所述距离序列中距离元素的相似度分数的最大值及其对应的距离，其中所述相似度分数的最大值为所述序列相似度分数，所述相似度分数的最大值对应的距离为所述序列距离差。

9.根据权利要求8所述的特征序列对齐方法，其特征在于，

所述距离序列中每个距离的所述序列相似度分数为：gdl_i(A′,B′,dl_i)＝∑f_l(l_k,f_k)；

所述预设对齐判断函数为f_l(l_k,f_k)，其满足：

st||l′_p-l_k|-dl_i|<d_yz且f_k＝f′_p时，

反之f_l(l_k,f_k)＝0；

其中，A′为所述特征序列，l_k和f_k分别为A′的所述位置坐标和所述特征值，B′为所述标准序列，l′_p和f′_p分别为B′的所述位置坐标和所述特征值，dl_i为所述距离序列中的距离元素，d_yz为预设判断阈值，

为根据f_k所在特征值种类唯一确定的特征分数。

10.根据权利要求1所述的特征序列对齐方法，其特征在于，所述根据所述特征子序列和筛选得到的所述标准子序列两者的所述位置坐标，计算每个所述特征子序列和筛选得到的所述标准子序列之间的子序列相似度分数和子序列距离差，包括：

根据所述特征子序列和筛选得到的所述标准子序列两者的所述位置坐标，分别获取所述特征子序列和筛选得到的所述标准子序列两者的位置坐标极值，其中所述位置坐标极值包括最小位置坐标和最大位置坐标；

根据所述特征子序列和筛选得到的所述标准子序列两者的所述位置坐标极值以及所述序列距离差，计算距离上限阈值和距离下限阈值；

设置分段数，并根据所述分段数、所述距离上限阈值和所述距离下线阈值生成距离序列；

根据预设对齐判断函数，计算所述距离序列中每个距离元素的相似度分数；

获取所述距离序列中距离元素的相似度分数的最大值及其对应的距离，其中所述相似度分数的最大值为所述子序列相似度分数，所述相似度分数的最大值对应的距离为所述子序列距离差。

Images