

특징의 수가 너무 많기 때문에 10배 교차 검증 SVM-RFE를 사용하여 특징을 추출한 후 특징의 중요도 순위를 매긴 다음, LDA 분류를 위해 순차적으로 특징을 추가하여 선택한 특징 수에 따른 정확도 변화를 기록하고, 마지막으로 가장 좋은 특징 수를 후속 분류의 입력으로 기록했습니다(그림 8 참조). LDA 분류의 최고 정확도는 89.2%(사전)/95.6%(사전 + n×mR0)였습니다.
고정된 윈도우 수로 추출한 MFCC 중 LDA 분류에서 GMM 피팅 방법보다 나은 결과를 얻은 것은 없었기 때문에(6-윈도우: 86.6%; 10-윈도우: 88.5%; 100-윈도우: <80%), GMM 피팅 방법으로 추출한 특징만을 사용하여 다른 분류기들의 효과를 테스트했습니다. 이 테스트에서는 데이터의 20%를 무작위로 테스트 세트로 선정하고 나머지 데이터는 분류기 훈련에 사용했으며, 각 커널 함수별로 10회씩 반복하여 정확도 분포를 기록했습니다. 그 중 사전만 MRU로 사용할 경우 GMM의 분류 효과가 좋지 않은 반면, 사전 + n×mR0을 MRU로 사용할 경우 일반적으로 사전만 사용하는 것보다 효과가 더 좋았습니다.
개체 인식에 사용될 수 있는 분류기는 여러 가지가 있습니다. 본 연구에서는 분류기의 성능과 가능성을 고려하여 침팬지 생체 음향학 또는 사람의 소리 패턴 인식 분야에서 많이 개발된 세 가지 분류기, 즉 (1) 선형 판별 분석(LDA), (2) 서포트 벡터 머신(SVM), (3) GMM(측정할 데이터와 기존 데이터의 유사성을 판단하여 분류)의 분류 효과를 비교했습니다.
소리 패턴 특성 추출의 기본 방법을 파악하고 하이난 긴팔원숭이의 개별 소리 인식을 위한 예비 시스템 방법을 수립했습니다. 예비 결과 기존 시스템 방식이 비교적 안정적이며 프로젝트의 기대 목표를 달성할 수 있는 것으로 나타났습니다. 그 중 MRU로 pre + n×mR0을 사용하고, GMM 피팅 방법을 사용하여 소리 패턴 특성을 추출하고, 선형 SVM을 사용하여 분류하는 것이 더 효과적일 수 있습니다. 후속 작업에서는 희귀 개체의 데이터를 지속적으로 보완하고 알고리즘 시스템의 설계를 개선하고 미지의 개체를 인식하는 분류기의 능력을 부여하고 시스템의 성능을 종합적으로 평가하여 궁극적으로 하이난 긴팔원숭이의 개별 소리 인식을 실현할 것입니다.