本發(fā)明涉及一種算法系統(tǒng)及方法，特別是涉及一種基于聲紋識(shí)別性別年齡的防欺詐系統(tǒng)及方法。

背景技術(shù)：

現(xiàn)代網(wǎng)絡(luò)技術(shù)越來越發(fā)達(dá)，網(wǎng)絡(luò)服務(wù)日益多樣化，尤其是網(wǎng)絡(luò)自動(dòng)化的信貸借款，但是這種服務(wù)，難以遠(yuǎn)程對(duì)借貸人的真實(shí)身份進(jìn)行驗(yàn)證，因?yàn)榻杩钊擞锌赡芡ㄟ^偽造借貸資料（照片等申請(qǐng)材料）或者竊用他人資料來騙取貸款。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種基于聲紋識(shí)別性別年齡的防欺詐系統(tǒng)及方法，其能夠通過指紋識(shí)別，遠(yuǎn)程對(duì)借貸人的真實(shí)身份進(jìn)行驗(yàn)證，達(dá)到反欺詐的效果。

本發(fā)明是通過下述技術(shù)方案來解決上述技術(shù)問題的：一種基于聲紋識(shí)別性別年齡的防欺詐系統(tǒng)，其包括語音數(shù)據(jù)收集模塊、mfcc特征提取模塊、基于Kmeans的聚類標(biāo)簽特征提取模塊、基于GBDT的有監(jiān)督學(xué)習(xí)分類器模型模塊、模型預(yù)測(cè)模塊、檢驗(yàn)?zāi)K、身份資料提交模塊、欺詐概率計(jì)算模塊，語音數(shù)據(jù)收集模塊、mfcc特征提取模塊、基于Kmeans的聚類標(biāo)簽特征提取模塊、基于GBDT的有監(jiān)督學(xué)習(xí)分類器模型模塊、模型預(yù)測(cè)模塊、檢驗(yàn)?zāi)K、欺詐概率計(jì)算模塊依次連接，身份資料提交模塊與檢驗(yàn)?zāi)K連接。

優(yōu)選地，所述語音數(shù)據(jù)收集模塊通過云呼叫系統(tǒng)實(shí)時(shí)收集借款人語音數(shù)據(jù)。

優(yōu)選地，所述檢驗(yàn)?zāi)K將系統(tǒng)提交的結(jié)果與預(yù)測(cè)的結(jié)果進(jìn)行交叉檢驗(yàn)，并將檢驗(yàn)結(jié)果發(fā)送給欺詐概率計(jì)算模塊。

優(yōu)選地，所述mfcc特征提取模塊對(duì)語音數(shù)據(jù)收集模塊收集的數(shù)據(jù)進(jìn)行解析，并進(jìn)行mfcc特征提取。

優(yōu)選地，所述基于Kmeans的聚類標(biāo)簽特征提取模塊通過Kmeans的聚類方法，將數(shù)據(jù)分類后，分別研究不同聚類下數(shù)據(jù)的特點(diǎn)。

優(yōu)選地，所述基于GBDT的有監(jiān)督學(xué)習(xí)分類器模型模塊利用標(biāo)注樣本進(jìn)行訓(xùn)練和分類。

優(yōu)選地，所述模型預(yù)測(cè)模塊通過對(duì)數(shù)據(jù)的分析，對(duì)目標(biāo)性別和年齡的真實(shí)性進(jìn)行判斷，得到其相應(yīng)概率。

優(yōu)選地，所述身份資料提交模塊用于收集借款人通過網(wǎng)絡(luò)借款平臺(tái)自動(dòng)提交的身份資料。

優(yōu)選地，所述欺詐概率計(jì)算模塊用于通過對(duì)交叉檢驗(yàn)的結(jié)果進(jìn)行數(shù)據(jù)分析，并計(jì)算出借款人欺詐的概率。

本發(fā)明還提供一種基于聲紋識(shí)別性別年齡的防欺詐方法，其包括以下步驟：

步驟一：借款人通過網(wǎng)絡(luò)借款平臺(tái)自行提交身份資料，并通過云呼叫系統(tǒng)實(shí)時(shí)收集借款人語音數(shù)據(jù)；

步驟二：對(duì)于語音數(shù)據(jù)進(jìn)行mfcc特征提取；

步驟三：基于Kmeans的聚類標(biāo)簽特征提取；

步驟四：通過基于GBDT的有監(jiān)督學(xué)習(xí)分類器模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和分類；

步驟五：將提交結(jié)果與預(yù)測(cè)結(jié)果進(jìn)行交叉檢驗(yàn)；

步驟六：計(jì)算借款人欺詐的概率。

優(yōu)選地，所述mfcc特征提取比基于聲道模型的LPCC相比具有更好的魯邦性，更符合人耳的聽覺特性，而且當(dāng)信噪比降低時(shí)仍然具有較好的識(shí)別性能。

優(yōu)選地，所述步驟四由訓(xùn)練資料中建立一個(gè)模式，并依此模式推測(cè)新的instances，訓(xùn)練資料是由輸入物件和預(yù)期輸出所組成，函數(shù)的輸出是一個(gè)連續(xù)的值，或是預(yù)測(cè)一個(gè)分類標(biāo)簽。

優(yōu)選地，所述步驟六若最終得出的概率大于50%，則判定為欺詐；若概率小于50%且大于5%，則返回步驟一重新收集語音數(shù)據(jù)；若概率小于5%，則判定為非欺詐。

本發(fā)明的積極進(jìn)步效果在于：本發(fā)明能夠通過指紋識(shí)別，遠(yuǎn)程對(duì)借貸人的真實(shí)身份進(jìn)行驗(yàn)證，達(dá)到反欺詐的效果，保護(hù)消費(fèi)者合法權(quán)益以及維護(hù)網(wǎng)絡(luò)服務(wù)安全。

附圖說明

圖1為本發(fā)明的系統(tǒng)結(jié)構(gòu)圖。

圖2為本發(fā)明的系統(tǒng)流程圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。以下實(shí)施例將有助于本領(lǐng)域的技術(shù)人員進(jìn)一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對(duì)本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)。這些都屬于本發(fā)明的保護(hù)范圍。

如圖1至圖2所示，本發(fā)明基于聲紋識(shí)別性別年齡的防欺詐系統(tǒng)包括語音數(shù)據(jù)收集模塊1、mfcc特征提取模塊2、基于Kmeans的聚類標(biāo)簽特征提取模塊3、基于GBDT的有監(jiān)督學(xué)習(xí)分類器模型模塊4、模型預(yù)測(cè)模塊5、檢驗(yàn)?zāi)K6、身份資料提交模塊7、欺詐概率計(jì)算模塊8，語音數(shù)據(jù)收集模塊1、mfcc特征提取模塊2、基于Kmeans的聚類標(biāo)簽特征提取模塊3、基于GBDT的有監(jiān)督學(xué)習(xí)分類器模型模塊4、模型預(yù)測(cè)模塊5、檢驗(yàn)?zāi)K6、欺詐概率計(jì)算模塊8依次連接，身份資料提交模塊7與檢驗(yàn)?zāi)K6連接。

語音數(shù)據(jù)收集模塊1通過云呼叫系統(tǒng)實(shí)時(shí)收集借款人語音數(shù)據(jù)。

mfcc特征提取模塊2對(duì)語音數(shù)據(jù)收集模塊1收集的數(shù)據(jù)進(jìn)行解析，并進(jìn)行mfcc特征提取。

基于Kmeans的聚類標(biāo)簽特征提取模塊3通過Kmeans的聚類方法，將數(shù)據(jù)分類后，分別研究不同聚類下數(shù)據(jù)的特點(diǎn)。

基于GBDT的有監(jiān)督學(xué)習(xí)分類器模型模塊4利用標(biāo)注樣本進(jìn)行訓(xùn)練和分類。

模型預(yù)測(cè)模塊5通過對(duì)數(shù)據(jù)的分析，對(duì)目標(biāo)性別和年齡的真實(shí)性進(jìn)行判斷，得到其相應(yīng)概率。

檢驗(yàn)?zāi)K6將系統(tǒng)提交的結(jié)果與預(yù)測(cè)的結(jié)果進(jìn)行交叉檢驗(yàn)，并將檢驗(yàn)結(jié)果發(fā)送給欺詐概率計(jì)算模塊8。

身份資料提交模塊7用于收集借款人通過網(wǎng)絡(luò)借款平臺(tái)自動(dòng)提交的身份資料。

欺詐概率計(jì)算模塊8用于通過對(duì)交叉檢驗(yàn)的結(jié)果進(jìn)行數(shù)據(jù)分析，并計(jì)算出借款人欺詐的概率。

本發(fā)明基于聲紋識(shí)別性別年齡的防欺詐方法包括以下步驟：

步驟一：借款人通過網(wǎng)絡(luò)借款平臺(tái)自行提交身份資料，并通過云呼叫系統(tǒng)實(shí)時(shí)收集借款人語音數(shù)據(jù)。

步驟二：對(duì)于語音數(shù)據(jù)進(jìn)行mfcc特征提取。mfcc特征提取比基于聲道模型的LPCC相比具有更好的魯邦性，更符合人耳的聽覺特性，而且當(dāng)信噪比降低時(shí)仍然具有較好的識(shí)別性能。

步驟三：基于Kmeans的聚類標(biāo)簽特征提取。該提取方法計(jì)算時(shí)間段短，速度快，容易解釋，聚類效果好。

步驟四：通過基于GBDT的有監(jiān)督學(xué)習(xí)分類器模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和分類。由訓(xùn)練資料中建立一個(gè)模式，并依此模式推測(cè)新的instances，訓(xùn)練資料是由輸入物件和預(yù)期輸出所組成，函數(shù)的輸出是一個(gè)連續(xù)的值，或是預(yù)測(cè)一個(gè)分類標(biāo)簽。

步驟五：將提交結(jié)果與預(yù)測(cè)結(jié)果進(jìn)行交叉檢驗(yàn)。

步驟六：計(jì)算借款人欺詐的概率。若概率大于50%，則判定為欺詐；若概率小于50%且大于5%，則返回步驟一重新收集語音數(shù)據(jù)；若概率小于5%，則判定為非欺詐。

綜上所述，本發(fā)明能夠通過指紋識(shí)別，遠(yuǎn)程對(duì)借貸人的真實(shí)身份進(jìn)行驗(yàn)證，達(dá)到反欺詐的效果，保護(hù)消費(fèi)者合法權(quán)益以及維護(hù)網(wǎng)絡(luò)服務(wù)安全。

以上對(duì)本發(fā)明的具體實(shí)施例進(jìn)行了描述。需要理解的是，本發(fā)明并不局限于上述特定實(shí)施方式，本領(lǐng)域技術(shù)人員可以在權(quán)利要求的范圍內(nèi)做出各種變形或修改，這并不影響本發(fā)明的實(shí)質(zhì)內(nèi)容。