De testresultaten van de classificatorprestaties. GMM staat voor het directe gebruik van GMM als classificator, niet voor een Gaussische kernel.
HINP
Herkenning Modelleren
Vanwege het buitensporige aantal kenmerken werd een 10-voudige kruisgevalideerde SVM-RFE gebruikt om het belang van de kenmerken te rangschikken nadat ze waren geëxtraheerd, en vervolgens werden de kenmerken opeenvolgend toegevoegd voor LDA-classificatie om de verandering in nauwkeurigheid met het aantal geselecteerde kenmerken vast te leggen, en ten slotte werd het beste aantal kenmerken vastgelegd als invoer voor de volgende classificaties (zie Fig. 8). De hoogste nauwkeurigheid voor LDA-classificatie was 89,2% (pre) / 95,6% (pre + n×mR0).
Aangezien geen van de MFCC's geëxtraheerd met een vast aantal vensters betere resultaten behaalde dan de GMM fitting-methode voor LDA-classificatie (6-venster: 86,6%; 10-venster: 88,5%; 100-venster: <80%), hebben we de effectiviteit van de andere classifiers getest met alleen de kenmerken geëxtraheerd met de GMM fitting-methode. Bij deze test selecteerden we willekeurig 20% van de gegevens als testset en de rest van de gegevens werd gebruikt om de classificator te trainen. Dit werd 10 keer herhaald voor elke kernelfunctie om de verdeling van de nauwkeurigheid vast te leggen. Onder hen is het classificatie-effect van GMM slecht bij gebruik van alleen pre als MRU, terwijl het effect over het algemeen beter is dan bij gebruik van alleen pre bij gebruik van pre + n×mR0 als MRU.
Er zijn veel classificeerders die gebruikt kunnen worden voor individuele herkenning. Rekening houdend met de prestaties en mogelijkheden van de classifiers, vergeleek dit onderzoek de classificatie-effectiviteit van drie classifiers die aanzienlijk zijn ontwikkeld op het gebied van gibbon bio-akoestiek of menselijke geluidspatroonherkenning, d.w.z. (1) lineaire discriminantanalyse (LDA), (2) support vector machine (SVM) en (3) GMM (classificatie door het bepalen van de gelijkenis tussen de te meten gegevens en de bestaande gegevens).
De basismethode voor het extraheren van geluidspatroonkenmerken is geïdentificeerd en er is een voorlopige systeemmethode voor individuele geluidsherkenning van Hainan-gibbons vastgesteld. Onze voorlopige resultaten tonen aan dat de bestaande systeemmethode relatief betrouwbaar is en de verwachte doelen van het project kan bereiken. Het gebruik van pre + n×mR0 als MRU, het extraheren van geluidspatroonkenmerken met behulp van de GMM-fittingmethode en het gebruik van lineaire SVM voor classificatie zouden effectiever zijn. In het vervolgwerk zullen de gegevens van zeldzame individuen voortdurend worden aangevuld en zal het ontwerp van het algoritmesysteem worden verbeterd, het vermogen van de classificator om onbekende individuen te herkennen zal worden gegeven en de prestaties van het systeem zullen uitgebreid worden geëvalueerd, om uiteindelijk de herkenning van individueel geluid van Hainan gibbons te realiseren.