Los resultados de la prueba de rendimiento del clasificador. Donde GMM representa el uso directo de GMM como clasificador, no un núcleo gaussiano.
HINP
Modelización del reconocimiento
Debido al excesivo número de características, se utilizó una SVM-RFE de validación cruzada de 10 veces para clasificar la importancia de las características después de extraerlas y, a continuación, se añadieron las características secuencialmente para la clasificación LDA con el fin de registrar el cambio en la precisión con el número de características seleccionadas y, finalmente, se registró el mejor número de características como entrada para las clasificaciones posteriores (véase la Fig. 8). La mayor precisión para la clasificación LDA fue del 89,2% (pre) / 95,6% (pre + n×mR0).
Dado que ninguno de los MFCC extraídos con un número fijo de ventanas obtuvo mejores resultados que el método de ajuste GMM para la clasificación LDA (6-ventanas: 86,6%; 10-ventanas: 88,5%; 100-ventanas: <80%), probamos la eficacia de los otros clasificadores utilizando sólo las características extraídas por el método de ajuste GMM. En esta prueba, seleccionamos aleatoriamente el 20% de los datos como conjunto de prueba, y el resto de los datos se utilizaron para entrenar el clasificador, que se repitió 10 veces para cada función de núcleo para registrar la distribución de la precisión. Entre ellos, el efecto de clasificación de GMM es pobre cuando se utiliza sólo pre como MRU, mientras que el efecto es generalmente mejor que cuando se utiliza sólo pre cuando se utiliza pre + n×mR0 como MRU.
Existen muchos clasificadores que pueden utilizarse para el reconocimiento individual. Teniendo en cuenta el rendimiento y las posibilidades de los clasificadores, esta investigación comparó la eficacia de clasificación de tres clasificadores que se han desarrollado considerablemente en el campo de la bioacústica de gibones o el reconocimiento de patrones de sonido humano, es decir, (1) análisis discriminante lineal (LDA), (2) máquina de vectores de soporte (SVM) y (3) GMM (clasificación mediante la determinación de la similitud entre los datos a medir y los datos existentes).
Se ha identificado el método básico de extracción de características de patrones de sonido y se ha establecido un método de sistema preliminar para el reconocimiento de sonidos individuales de los gibones de Hainan. Nuestros resultados preliminares demuestran que el método del sistema existente es relativamente fiable y permite alcanzar los objetivos previstos del proyecto. Entre ellos, el uso de pre + n×mR0 como MRU, la extracción de características de patrones de sonido mediante el método de ajuste GMM y el uso de SVM lineal para la clasificación serían más eficaces. En el trabajo de seguimiento, los datos de individuos raros se complementarán constantemente, y se mejorará el diseño del sistema de algoritmos, se dará la capacidad del clasificador para reconocer individuos desconocidos, y se evaluará exhaustivamente el rendimiento del sistema, para finalmente realizar el reconocimiento del sonido individual de los gibones de Hainan.