Os resultados do teste de desempenho do classificador. Onde GMM representa o uso direto de GMM como classificador, não um kernel gaussiano
HINP
Modelagem de reconhecimento
Devido ao número excessivo de recursos, um SVM-RFE com validação cruzada de 10 vezes foi usado para classificar a importância dos recursos depois de extraí-los e, em seguida, os recursos foram adicionados sequencialmente para a classificação LDA para registrar a alteração na precisão com o número de recursos selecionados e, finalmente, o melhor número de recursos foi registrado como a entrada para as classificações subsequentes (veja a Fig. 8). A maior precisão da classificação LDA foi de 89,2% (pré) / 95,6% (pré + n×mR0).
Como nenhum dos MFCCs extraídos com um número fixo de janelas obteve resultados melhores do que o método de ajuste do GMM para a classificação LDA (6 janelas: 86,6%; 10 janelas: 88,5%; 100 janelas: <80%), testamos a eficácia dos outros classificadores usando apenas os recursos extraídos pelo método de ajuste do GMM. Nesse teste, selecionamos aleatoriamente 20% dos dados como o conjunto de teste, e o restante dos dados foi usado para treinar o classificador, que foi repetido 10 vezes para cada função de kernel para registrar a distribuição da precisão. Entre eles, o efeito de classificação do GMM é ruim quando se usa apenas pre como MRU, enquanto o efeito é geralmente melhor do que usar apenas pre quando se usa pre + n×mR0 como MRU.
Há muitos classificadores que podem ser usados para o reconhecimento individual. Considerando os desempenhos e as possibilidades dos classificadores, esta pesquisa comparou a eficácia da classificação de três classificadores que foram desenvolvidos consideravelmente no campo da bioacústica de gibões ou do reconhecimento de padrões sonoros humanos, ou seja, (1) análise discriminante linear (LDA), (2) máquina de vetor de suporte (SVM) e (3) GMM (classificação por meio da determinação da similaridade entre os dados a serem medidos e os dados existentes).
O método básico de extração das características do padrão de som foi identificado, e um método de sistema preliminar para o reconhecimento do som individual dos gibões de Hainan foi estabelecido. Nossos resultados preliminares mostram que o método do sistema existente é relativamente confiável e atinge os objetivos esperados do projeto. Entre eles, o uso de pre + n×mR0 como MRU, a extração das características do padrão de som usando o método de ajuste GMM e o uso de SVM linear para classificação seriam mais eficazes. No trabalho de acompanhamento, os dados de indivíduos raros serão constantemente complementados e o projeto do sistema de algoritmo será aprimorado, a capacidade do classificador de reconhecer indivíduos desconhecidos será fornecida e o desempenho do sistema será avaliado de forma abrangente, de modo a realizar o reconhecimento do som individual dos gibões de Hainan.