[发明专利]一种联合混合采样和随机森林的语音样本均衡方法

说明书

本发明涉及一种联合混合采样和随机森林的语音样本均衡方法，首先对初始语音数据集进行特征提取；然后利用SMOTE‑ENN混合采样对提取后的语音数据特征集进行均衡处理，获得当前均衡的语音数据集；其次将当前均衡的语音数据集输入至双因子随机森林模型中，输出双因子随机森林模型的分类评估指标和袋外错误分类率；最后判断分类评估指标是否收敛，若分类评估指标收敛，则输出当前均衡的语音数据集；否则根据袋外错误分类率更新SMOTE‑ENN混合采样的混合采样率，返回重新对提取后的语音数据集进行均衡处理，直至分类评估指标收敛，输出当前均衡语音数据集。本发明通过联合SMOTE‑ENN混合采样和双因子随机森林模型均衡数据集，最大化保留了信息价值高的样本数据。

技术领域

本发明涉及数据处理技术领域，尤其是指一种联合混合采样和随机森林的语音样本均衡方法、装置、设备及计算机可读存储介质。

背景技术

近年来，人工智能技术在语音识别取得突破性发展。然而数据不均衡问题一直是机器学习中一个具有挑战性的问题。类别不均衡分布的数据会导致分类器的识别能力明显偏向多数类别，而无法对少数类别达到满意的分类性能。

目前，用于解决不平衡数据分类问题的传统不均衡学习技术可分为两类：内部方法和外部方法。内部方法是对现有分类算法进行改进，以降低其对类不平衡的敏感度。外部方法则对训练数据进行预处理，使其达到平衡。在外部方法中，用来平衡不均衡数据集的采样方法，可以分为：SMOTE过采样和ENN欠采样。

SMOTE过采样的基本思想是对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中，但在生成新样本时没有考虑附近多数类样本的分布情况，K近邻选择时存在盲目性，会合成很多噪声，并侵入到多数类样本空间中。ENN欠采样通过消除多数类样本以获得理想的类别分布率，但会造成数据集中分类信息的丢失，因此，需要设计一种联合混合采样和随机森林的语音样本均衡方法。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中SMOTE过采样在生成新样本时没有考虑附近多数类样本的分布情况，会合成很多噪声侵入到多数类样本空间中和ENN欠采样会造成数据集中分类信息丢失的缺陷。

为解决上述技术问题，本发明提供了一种联合混合采样和随机森林的语音样本均衡方法，包括：

S101：采集初始语音数据集，对所述初始语音数据集进行特征提取，获得提取后的语音数据特征集；

S102：利用过采样SMOTE分析所述语音数据特征集的少数类样本并根据所述少数类样本生成新的目标少数类样本，利用欠采样ENN分析所述目标少数类样本的最近邻样本和所述语音数据特征集中多数类样本的最近邻样本，根据所述目标少数类样本的最近邻样本和所述多数类样本的最近邻样本删除所述目标少数类样本和所述多数类样本，获得当前均衡的语音数据集；

S103：计算所述当前均衡语音数据集的信息增益率和基尼系数，利用双因子将所述当前均衡语音数据集的信息增益率和基尼系数线性组合，构建双因子随机森林模型；

S104：将所述当前均衡的语音数据集输入至所述双因子随机森林模型中，输出所述当前均衡的语音数据集在预设双因子条件下的分类评估指标和袋外错误分类率；

S105：判断所述分类评估指标是否收敛，若所述分类评估指标收敛，则输出所述当前均衡的语音数据集；若所述分类评估指标发散，则根据所述袋外错误分类率更新所述过采样SMOTE的过采样率和所述欠采样ENN的欠采样率，返回执行所述步骤S102，直至所述分类评估指标收敛，输出所述当前均衡的语音数据集。