[发明专利]语音数据基于分簇聚类的分块高斯回归模型子集建模方法

说明书

本发明公开了一种语音数据基于分簇聚类的分块高斯回归模型子集建模方法，语音数据按时间间隔分帧，对每一帧数据进行特征提取，每一帧提取出来的高维数据降到三维后，进行分块高斯回归模型建模；所述分块高斯回归模型为基于子集法的高斯回归过程模型，在训练数据集中，按照贪婪算法选取出若干代表原训练数据集的点构成子集，将携带冗余信息的数据点剔除掉，本发明根据具体的测试点来调整所选取的子集，并且通过分簇聚类后，选取的子集来自各个不同的簇，能够代表整个数据集，这样选取的子集既能保证是最接近测试点的一部分局部最优点，同时兼顾全局。

技术领域

本发明涉及语音数据处理领域，具体涉及一种语音数据基于分簇聚类的分块高斯回归模型子集建模方法。

背景技术

语音数据是现代信息数据的重要处理内容，每一帧语音数据，都可以用特征参数来描绘，比如说用共振峰有关参数，就是一帧语音数据的共振峰频率(第一维)，带宽(第二维)，能量频谱倾斜(第三维)等，用特征参数描述的语音数据帧高维数据，每一帧提取出来的高维数据能够降到三维后，能够进行回归及预测；

高斯过程回归是一种机器学习回归方法，它有着严格的统计学习理论基础，对处理高维数、小样本、非线性等复杂的问题具有很好的适用性，且泛化能力强，与神经网络、支持向量机相比，高斯过程回归具有容易实现、超参数自适应获取、非参数腿短灵活以及输出具有概率意义等优点。

但高斯过程回归所需的计算量极大，所以为了解决这个问题，很多的近似模型被提出来，而在这些近似模型中最简单但在有些场合下却最有效的就是子集法，而应用子集法的关键就是选取一个合适的子集。现有技术中，语音数据一般采取随机选取的方式，但这样的得出的语音数据预测结果较差，语音失真，严重影响语音数据的传输和仿真；而仅采用子集法获得高斯模型进行语音数据处理，很容易出现语音数据的严重的过拟合现象，而标准的高斯过程回归处理数据所花的时间又太长，这在实际应用中都会造成很不好的影响。

发明内容

为解决现有技术语音数据高斯回归模型子集选取计算量过大，预测结果查，语音失真，过拟合等问题，本发明公开一种语音数据基于分簇聚类的分块高斯回归模型子集建模方法，根据具体的测试点来调整所选取的子集，并且通过分簇聚类后，最后选取的子集来自各个不同的簇，从而代表整个数据集，这样选取的语音数据高斯回归模型的子集既能保证是最接近测试点的一部分局部最优点，同时也能兼顾全局，语音数据预测准确，预测高效，延迟小。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种语音数据基于分簇聚类的分块高斯回归模型子集建模方法，语音数据按时间间隔分帧，对每一帧数据进行特征提取，每一帧提取出来的特征数据降到三维后，进行分块高斯回归模型建模；所述分块高斯回归模型为基于子集法的高斯回归过程模型，在训练数据集中，按照贪婪算法选取出若干代表原训练数据集的点构成子集，将携带冗余信息的数据点剔除掉。

语音数据基于分簇聚类的分块高斯回归模型子集建模方法，具体包括以下步骤：

S01，语音数据按时间间隔分帧，对每一帧数据进行特征提取，提取特征数据；

S02，每一帧提取出来的特征数据降到三维，组成训练数据；

S03，采用贪婪算法从训练数据集中选出一个子集；

S04，对选取的子集进行标准的高斯回归，求出高斯回归模型参数；

步骤S03具体包括以下步骤：

(a1)在N个三维训练数据中，选取的子集中包含M个元素，对N个三维训练数据进行初始分簇聚类，得出K个簇，并获得每个簇的质心；

其中[]为向前取整；