Hasil pengujian kinerja pengklasifikasi. Di mana GMM mewakili penggunaan langsung GMM sebagai pengklasifikasi, bukan kernel Gaussian
HINP
Pemodelan Pengakuan
Karena jumlah fitur yang terlalu banyak, SVM-RFE yang divalidasi silang 10 kali lipat digunakan untuk menentukan peringkat pentingnya fitur setelah mengekstraknya, dan kemudian fitur-fitur tersebut ditambahkan secara berurutan untuk klasifikasi LDA untuk mencatat perubahan akurasi dengan jumlah fitur yang dipilih, dan akhirnya jumlah fitur terbaik dicatat sebagai input untuk klasifikasi berikutnya (lihat Gambar 8). Akurasi tertinggi untuk klasifikasi LDA adalah 89,2% (pre) / 95,6% (pre + n×mR0).
Karena tidak ada MFCC yang diekstraksi dengan jumlah jendela yang tetap yang mencapai hasil yang lebih baik daripada metode pencocokan GMM untuk klasifikasi LDA (6-jendela: 86,6%; 10-jendela: 88,5%; 100-jendela: <80%), kami menguji keefektifan pengklasifikasi lain dengan hanya menggunakan fitur-fitur yang diekstraksi dengan metode pencocokan GMM. Dalam pengujian ini, kami secara acak memilih 20% data sebagai set pengujian, dan sisa data digunakan untuk melatih pengklasifikasi, yang diulang 10 kali untuk setiap fungsi kernel untuk mencatat distribusi akurasi. Di antara mereka, efek klasifikasi GMM buruk ketika hanya menggunakan pre sebagai MRU, sementara efeknya secara umum lebih baik daripada hanya menggunakan pre ketika menggunakan pre + n×mR0 sebagai MRU.
Ada banyak pengklasifikasi yang dapat digunakan untuk pengenalan individu. Mempertimbangkan kinerja dan kemungkinan pengklasifikasi, penelitian ini membandingkan efektivitas klasifikasi tiga pengklasifikasi yang telah banyak dikembangkan di bidang bioakustik owa atau pengenalan pola suara manusia, yaitu: (1) analisis diskriminan linier (LDA), (2) mesin vektor pendukung (SVM), dan (3) GMM (klasifikasi dengan cara menentukan kemiripan data yang akan diukur dengan data yang sudah ada).
Metode dasar ekstraksi karakteristik pola suara telah diidentifikasi, dan metode sistem pendahuluan untuk pengenalan suara individu owa Hainan telah dibuat. Hasil awal kami menunjukkan bahwa metode sistem yang ada relatif dapat diandalkan, dan dapat mencapai tujuan yang diharapkan dari proyek ini. Diantaranya, menggunakan pre + n×mR0 sebagai MRU, mengekstraksi karakteristik pola suara menggunakan metode fitting GMM, dan menggunakan SVM linier untuk klasifikasi akan lebih efektif. Dalam pekerjaan lanjutan, data individu langka akan terus ditambah, dan desain sistem algoritma akan ditingkatkan, kemampuan pengklasifikasi untuk mengenali individu yang tidak dikenal akan diberikan, dan kinerja sistem akan dievaluasi secara komprehensif, sehingga pada akhirnya dapat merealisasikan pengenalan suara individu owa hainan.