[发明专利]一种面向不均衡语音数据集的数据生成方法及系统

说明书

本发明公开了一种面向不均衡语音数据集的数据生成方法及系统，所述方法包括以下步骤：S1、将输入样本聚类划分为若干聚类簇；S2、计算每个聚类簇的不均衡率，根据不均衡率确定数据生成的安全聚类簇；S3、计算安全聚类簇内少数类样本的空间分布密度；S4、根据空间分布密度计算每个聚类簇的采样权重；S5、根据采样权重，在安全聚类簇内生成样本数，基于样本数进行样本生成；所述系统用于实现上述方法，包括样本聚类划分模块、安全聚类簇计算模块，空间分布密度计算模块、采样权重计算模块和样本生成模块。本发明对不均衡分布语音数据集进行样本均衡，使其更适用于对语音数据集的均衡化处理，生成分化能力和信息价值高的少数类语音特征样。

技术领域

本发明涉及不均衡学习技术领域，具体涉及一种面向不均衡语音数据集的数据生成方法及系统。

背景技术

不均衡学习技术广泛用于解决各领域中数据不均衡分布的问题，不均衡样本集对建模分类器的性能密切相关，也是机器学习领域面临的重要挑战之一。常用的不均衡学习技术可以分为：内部方法和外部方法。内部方法通过借助已知的先验知识，在学习算法中使用成本调整类技术，并在训练过程中充分利用初始不均衡数据建模分类器。外部方法是指在保持学习算法不变的情况下重新平衡外部训练数据。

外部方法不考虑复杂的先验知识，更适用于现实领域的不均衡数据集。外部方法包括过采样、欠采样和混合采样。多数类通常是在欠采样算法下减少样本数，以均衡每一类的样本分布。少数类通常通过技术生成技术来进行过采样，以减少类别的不均衡率。合成少数过采样技术(简称SMOTE)是目前最流行的过采样算法，广泛应用于不均衡数据集的预处理。然而，SMOTE容易产生噪声样本，导致不同类别样本间的重叠增加。

基于聚类算法改进的SMOTE可以有效地解决这类问题，但大多数只考虑到了样本类别间的不均衡分布，忽略了样本类别内的不平衡分布。因此，在对语音信号进行处理时，可能生成代表价值和分化能力低的少数样本，导致分类器的过拟合。

综上所述，面向不均衡分布的语音数据样本生成中，在基于聚类算法的SMOTE基础上，有必要同时考虑到样本类别内和类别间的不均衡分布情况，以尽可能多的生成差异性和信息价值大的少数样本，提高语音分类模型的性能。

发明内容

本发明要解决的技术问题是提供一种面向不均衡语音数据集的数据生成方法，对不均衡分布语音数据集进行样本均衡，使其更适用于对语音数据集的均衡化处理，生成分化能力和信息价值高的少数类语音特征样。

为了解决上述技术问题，本发明提供了一种面向不均衡语音数据集的数据生成方法，其特征在于，包括以下步骤：

S1、将输入样本聚类划分为若干聚类簇；

S2、计算每个聚类簇的不均衡率，根据不均衡率确定数据生成的安全聚类簇；

S3、计算安全聚类簇内少数类样本的空间分布密度；

S4、根据空间分布密度计算每个聚类簇的采样权重；

S5、根据采样权重，在安全聚类簇内生成样本数，基于样本数进行样本生成。

本发明一个较佳实施例中，进一步包括在步骤S1中，根据标签类别数量设置需要划分的聚类数量，使用k-means的聚类算法将输入样本聚类为k组聚类簇。

本发明一个较佳实施例中，进一步包括步骤S2中，所述不均衡率的计算方法为：

其中，C_min和C_maj分别代表每个簇中少数类样本和多数类样本的数量,选择IR小于50％的簇作为数据生成的安全区域。