

En raison du nombre excessif de caractéristiques, un SVM-RFE à validation croisée 10 fois a été utilisé pour classer l'importance des caractéristiques après leur extraction, puis les caractéristiques ont été ajoutées séquentiellement pour la classification LDA afin d'enregistrer le changement de précision avec le nombre de caractéristiques sélectionnées, et enfin le meilleur nombre de caractéristiques a été enregistré comme entrée pour les classifications suivantes (voir Fig. 8). La précision la plus élevée pour la classification LDA était de 89,2 % (pre) / 95,6 % (pre + n×mR0).
Étant donné qu'aucun des MFCC extraits avec un nombre fixe de fenêtres n'a obtenu de meilleurs résultats que la méthode d'ajustement du GMM pour la classification LDA (6 fenêtres : 86,6 % ; 10 fenêtres : 88,5 % ; 100 fenêtres : <80 %), nous avons testé l'efficacité des autres classificateurs en utilisant uniquement les caractéristiques extraites par la méthode d'ajustement du GMM. Dans ce test, nous avons sélectionné au hasard 20 % des données comme ensemble de test, et le reste des données a été utilisé pour former le classificateur, ce qui a été répété 10 fois pour chaque fonction noyau afin d'enregistrer la distribution de la précision. Parmi eux, l'effet de classification du GMM est médiocre lorsque l'on utilise uniquement pre comme MRU, tandis que l'effet est généralement meilleur que lorsque l'on utilise pre + n×mR0 comme MRU.
De nombreux classificateurs peuvent être utilisés pour la reconnaissance individuelle. Compte tenu des performances et des possibilités des classificateurs, cette recherche a comparé l'efficacité de classification de trois classificateurs qui ont été considérablement développés dans le domaine de la bioacoustique des gibbons ou de la reconnaissance des sons humains, à savoir (1) l'analyse discriminante linéaire (LDA), (2) la machine à vecteurs de support (SVM) et (3) le GMM (classification par détermination de la similarité entre les données à mesurer et les données existantes).
La méthode de base de l'extraction des caractéristiques des sons a été identifiée et une méthode préliminaire pour la reconnaissance des sons individuels des gibbons de Hainan a été établie. Nos résultats préliminaires montrent que la méthode existante est relativement fiable et qu'elle permet d'atteindre les objectifs du projet. Parmi ceux-ci, l'utilisation de pre + n×mR0 comme MRU, l'extraction des caractéristiques du modèle sonore à l'aide de la méthode d'ajustement GMM et l'utilisation d'un SVM linéaire pour la classification seraient plus efficaces. Dans les travaux de suivi, les données des individus rares seront constamment complétées, la conception du système algorithmique sera améliorée, la capacité du classificateur à reconnaître des individus inconnus sera donnée, et les performances du système seront évaluées de manière exhaustive, afin de réaliser finalement la reconnaissance des sons individuels des gibbons de Hainan.