我正在构建一个声音识别模型来检测”叮咚”声音。

这个过程包括两个步骤：训练和测试。

训练数据是设备生成的”叮咚”声音。

模型可以检测到同一设备生成的”叮咚”声音，效果很好。

但是，当有第二个设备生成新的”叮咚”声音时，性能会变差。

我知道解决这个问题的可能方法：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。

但总是会有新的设备，新的”叮咚”声音。

我该怎么办？

回答：

你面临的是过拟合问题。过拟合意味着你的模型已经训练得在特定的案例（即训练数据集）上表现最佳。为了克服这个问题，你应该在多种设备上训练你的模型，然后在它们之间进行插值。插值可以由你使用的模型保证。

然而，以上信息过于笼统。在你的情况下，可能有更简单的方法来解决。这完全取决于你如何定义”叮咚”。如果你能找到”叮咚”的特征签名，那就太好了。这个签名应该对所有不希望的特征保持不变。

例如，”Diiiiing-doooooong”应该被接受吗？如果是，你应该找到一个对音频片段长度不变的签名。更高频率的”ding-dong”可以接受吗？如果可以，你应该找到一个将频率视为彼此的分数而不是绝对值的签名，依此类推…

顺便说一句，我相信你可以通过谷歌搜索找到许多关于你问题的论文，但可能是关于”dang-dong”而不是”ding-dong”，但你仍然可以从中受益 😉