I risultati dei test sulle prestazioni del classificatore. Dove GMM rappresenta l'uso diretto di GMM come classificatore, non un kernel gaussiano.
HINP
Modellazione del riconoscimento
A causa del numero eccessivo di caratteristiche, è stata utilizzata una SVM-RFE con convalida incrociata di 10 volte per classificare l'importanza delle caratteristiche dopo averle estratte, quindi le caratteristiche sono state aggiunte in sequenza per la classificazione LDA per registrare la variazione dell'accuratezza con il numero di caratteristiche selezionate e infine il numero migliore di caratteristiche è stato registrato come input per le classificazioni successive (cfr. Fig. 8). L'accuratezza massima per la classificazione LDA è stata dell'89,2% (pre) / 95,6% (pre + n×mR0).
Poiché nessuna delle MFCC estratte con un numero fisso di finestre ha ottenuto risultati migliori del metodo di adattamento GMM per la classificazione LDA (6 finestre: 86,6%; 10 finestre: 88,5%; 100 finestre: <80%), abbiamo testato l'efficacia degli altri classificatori utilizzando solo le caratteristiche estratte con il metodo di adattamento GMM. In questo test, abbiamo selezionato a caso il 20% dei dati come set di prova, mentre il resto dei dati è stato utilizzato per addestrare il classificatore, che è stato ripetuto 10 volte per ogni funzione kernel per registrare la distribuzione dell'accuratezza. Tra questi, l'effetto di classificazione della GMM è scarso quando si utilizza solo pre come MRU, mentre l'effetto è generalmente migliore rispetto all'utilizzo di solo pre quando si utilizza pre + n×mR0 come MRU.
Esistono molti classificatori che possono essere utilizzati per il riconoscimento individuale. Considerando le prestazioni e le possibilità dei classificatori, questa ricerca ha confrontato l'efficacia della classificazione di tre classificatori che sono stati sviluppati in modo considerevole nel campo della bioacustica dei gibboni o del riconoscimento dei modelli sonori umani, ossia (1) l'analisi discriminante lineare (LDA), (2) la macchina vettoriale di supporto (SVM) e (3) la GMM (classificazione che determina la somiglianza tra i dati da misurare e i dati esistenti).
È stato identificato il metodo di base per l'estrazione delle caratteristiche del modello sonoro ed è stato stabilito un metodo di sistema preliminare per il riconoscimento del suono individuale dei gibboni di Hainan. I risultati preliminari dimostrano che il metodo di sistema esistente è relativamente affidabile e consente di raggiungere gli obiettivi previsti dal progetto. Tra questi, l'utilizzo di pre + n×mR0 come MRU, l'estrazione delle caratteristiche del modello sonoro con il metodo di adattamento GMM e l'utilizzo di SVM lineare per la classificazione sarebbero più efficaci. Nel prosieguo del lavoro, i dati degli individui rari saranno costantemente integrati e la progettazione del sistema di algoritmi sarà migliorata, la capacità del classificatore di riconoscere gli individui sconosciuti sarà data e le prestazioni del sistema saranno valutate in modo completo, in modo da realizzare infine il riconoscimento dei suoni individuali dei gibboni di Hainan.