[发明专利]一种基于类别间相互融合的声音数据增强方法

说明书

本发明公开了一种基于类别之间相互融合的声音数据增强方法，包括将数据集向下聚类，利用聚类的大类结果辅助选择要拼接的频谱图的小类别，随后选出要拼接的频谱图；分别在选出的频谱图时域上截取连续的α、1‑α比例面积的频谱图，然后将截取出的频谱图在时域上进行拼接，并为拼接后的频谱图打上相应的标签；将拼接的频谱图和相应标签加入增强后的频谱图集中。利用增强后的频谱图训练神经网络，以达到更优的声音识别性能。本发明利用向下聚类，可控的选择出要拼接的频谱图类别，保证了数据分布的可控性；提出在时域上融合两张频谱图的方法，高效的利用了数据的信息，达到了增强数据的效果，进而提升了声音识别性能。

技术领域

本发明属于深度学习的技术领域，具体涉及一种基于类别间相互融合的声音数据增强方法。

背景技术

在机器学习和深度学习中经常遇到的一个难点是：可用的训练数据数量较少，这在一定程度上会导致模型的过拟合。常用的解决过拟合的方法有：DropOut、BatchNormalization、L1/L2正则化和数据增强等。

在数据增强领域近几年涌现了许多不错的方法：文献1(Sebastien C.Wong,AdamGatt,Victor Stamatescu and Mark D.McDonnell.Understanding data augmentationfor classification:when to warp？[C].DICTA 2016.)对比了在数据空间和特征空间进行数据增强的结果，得出了在标签确定的情况下数据空间进行数据增强较好的结论。文献2(Justin Salamon and Juan Pablo Bello.Deep Convolutional Neural Networks andData Augmentation for Environmental Sound Classification[J].IEEE SignalProcessing Letters,2017,24:279-283)介绍了Time stretching、Pitch shifting、Pitchshifting、Dynamic range compression和Background noise这些在音频上进行数据增强的传统方法。文献3(Zhun Zhong,Liang Zheng,Guoliang Kang,Shaozi Li and YiYang.Random Erasing Data Augmentation[C].CVPR,2017.)采用类似于DropOut的方法，随机擦除掉训练集图像的一部分，而保持标签不变，从而达到数据增强的目的。文献4(Christian Szegedy,Vincent Vanhoucke,Sergey Ioffe and JonathonShlens.Rethinking the Inception Architecture for Computer Vision[C].CVPR,2016.)提出了标签平滑的方法，通过标签平滑可以让一张图像以不同权重对应不同类别的标签，这在一定程度上降低了模型过拟合的风险。

受文献4启发，本发明提出一种基于类别间相互融合的声音数据增强方法：将不同类别的频谱图融合，同时标签随之平滑；这样使得数据的分布更加宽广和均匀，以达到较好的数据增强效果。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于类别间相互融合的声音数据增强方法，利用向下聚类，可控的选择出要拼接的频谱图，保证了数据分布的可控性，随后利用选择出的频谱图在时域上进行融合，得到增强后的频谱图。

为了达到上述目的，本发明采用以下技术方案：

一种基于类别间相互融合的声音数据增强方法，包括下述步骤：

S1：从待增广集中随机选择一张频谱图作为待拼接的频谱图，记为SP_1，设其所属类别为i，i∈{1,2,…,N},N是频谱图集中类别个数；

S2：根据设定的频谱图选择算法，从频谱图集中选择另外一张频谱图作为待拼接的频谱图，记为SP_2，设其类别为j，j∈{1,2,…,N},j≠i；