我正在建立声音识别模型以检测“叮咚”的声音。
有两个程序，培训和测试。
训练数据是设备生成的“叮咚”声音。
该型号可以检测同一设备产生的“叮咚”声音，效果很好。
但是，当第二个设备产生新的“叮咚”声时，性能会很差。
我知道这个问题的可能解决方案：记录第二个设备生成的“叮咚”声音并将其添加到训练数据中。
但是，总有一种新设备，新的“叮咚”声。
我该怎么办？
答案 0 :(得分：2)
你正面临着过度拟合的问题。过度拟合意味着您的模型已经过训练，可以针对作为训练数据集的特定情况进行最佳工作。为了克服这个问题，您应该在许多设备上训练您的模型，然后在它们之间进行插值。您正在使用的模型可以保证插值。
但是，之前的信息非常普遍。在您的情况下，您可能会发现更容易的方法。一切都取决于你如何定义＆＃34;叮咚＆＃34;。如果你能为'叮咚＆＃34;找到一个siguntur？这会很棒。此签名应对所有不良特征不变。
例如，应该＆＃34; Diiiiing-doooooong＆＃34;被接受？如果是的话，你应该找到一个对长度音频剪辑不变的签名。是＆＃34;叮咚＆＃34;更高的频率可以接受？如果是的话，你应该找到一个签名，它将频率视为彼此的分数而不是绝对值等等......
顺便说一句，我相信你可以谷歌这个并找到很多关于你的问题的论文，但它可能是关于＆＃34;当洞＆＃34;不是＆＃34;叮咚＆＃34;但你仍然可以从中受益;）答案 1 :(得分：1)
所以你想要识别＆＃34;叮咚声音＆＃34;来自＆＃34;其他声音＆＃34;。
一种方法可以是训练数据以识别＆＃34;其他声音＆＃34;作为另一个班级。因此，一个新的叮咚可以更容易地与叮咚声音相关联。而不是＆＃34;其他 - 声音＆＃34;。
这种方法的一个缺点可能是错误警报数量的增加，但这项任务总是导致精确度和召回之间的妥协。