存在用于识别两类声音的模型，即A类和B类。

如何将C类声音识别为异常声音？

我尝试在按帧识别时设置一个阈值。

超过70% -> A类或B类否则      -> 异常

例如，

如果一个声音有10个帧，结果是

帧 1 2 3 4 5 6 7 8 9 10      A B A B A A A B A  A     A=7 B=3-> A类帧 1 2 3 4 5 6 7 8 9 10      B B A B A A A B A  A     A=6 B=4-> 异常

性能非常差。

我应该怎么做？

回答：

这个问题可以从两个角度来看：作为分类问题和作为异常检测问题。

分类

作为分类问题，可以引入系统应用中可能遇到的外部声音，并用这些声音创建第三类。重要的是，这第三类应包含多种多样的声音，并且可能需要大量的声音样本。

在此基础上，你可能希望使用成本敏感的一对所有方法来调整挑选A类和B类的精确度/召回率。

这种方法的好处是你不需要为异常/异常模型设置一个任意的阈值。在这种情况下，距离可能难以测量，因此找到合适的阈值可能很困难。

许多人，包括我自己，在一个与你的问题相似的kaggle竞赛中使用了这种技术。 https://www.kaggle.com/c/axa-driver-telematics-analysis

异常/异常检测

由于你使用的是神经网络，可以构建一个自编码器。这将找到一个代表你试图检测的声音的流形。你可以使用重建损失作为异常检测的距离度量。这仍然需要你确定一个阈值，并且最好使用一些现有的异常/异常数据来做到这一点。