Fic 2
HINP
Ses örüntüsü analizi
Kurgu 1
HINP
Taşınabilir bir kayıt cihazı kullanılarak gibbonların izlenmesi ve gözlemlenmesi sırasında elde edilenler ve otomatik bir kayıt cihazı kullanılarak elde edilenler de dahil olmak üzere 532 Hainan gibbon akustik örneğinin manuel taraması tamamlanmıştır. Tarama sürecinde, başlangıçta yüksek, orta ve düşük olmak üzere üç kayıt kalitesi kategorize edilmiştir. Yedi bireysel arayıcıdan 44 yüksek kaliteli kayıt elde edilmiştir. Yedi bireysel arayan GAM1、GBM1、GBSA、GCM1、GCM2、GDM1、GEM1 idi; burada "G "den sonraki harf aile grubu numarasını, "M/S "den sonraki harf ise yetişkin erkek/yetişkin altı erkek birey numarasını temsil ediyordu. Kayıtların sadece yaklaşık %40,9'u manuel olarak yapılmıştır. Tüm otomatik kayıtların ham dosyaları profesör Wang Jichao'nun ekibi tarafından sağlandı ve ilgili veriler Hainan Milli Park Enstitüsü'nde yedeklendi.
Mel-frekans cepstrum katsayıları (MFCCs), insan işitme temelinde yüksek frekanslı bilgileri zayıflattıktan sonra cepstrum ile frekans zarf özelliklerini çıkarma yöntemidir[1] ve insan ve biyoakustik alanında geniş bir uygulama alanına sahiptir. Bu çalışmada, otomatik özellik çıkarımı elde etmek için MFCC'ler ve birinci dereceden ve ikinci dereceden farklar (△、△2) kullanılmıştır.
Erkek Hainan gibbonunun patlama notası, aa notası, ön modülasyonlu nota, modülasyonlu-R0 notası ve modülasyonlu-R1 notası dahil olmak üzere 5 imza notası tanımlanmıştır (Şekil 1).
Akustik niş hipotezine göre, farklı türlerin çağrıları zaman ve frekans alanlarında farklılaşmaktadır (bkz. Şekil 2), bu nedenle belirli bir frekans aralığındaki özelliklerin çıkarılması gürültünün etkisini büyük ölçüde azaltabilir ve tanımlanan frekans aralığı ne kadar küçük olursa, daha fazla gürültünün hariç tutulması o kadar olasıdır. Buna ek olarak, her bir minimum tanıma biriminin (MRU) yapısı aynı olduğunda, tanıma zorluğu büyük ölçüde azalır.
Yukarıdaki durum göz önüne alındığında, araştırmanın bu aşamasında sırasıyla (1) sadece pre ve (2) MRU olarak pre + n×mR0 kullanmayı ve sonraki çalışmalarda en uygun özellik çıkarımını belirlemek için sınıflandırma sonuçlarını karşılaştırmayı denedik. Ses ek açıklaması durumunda, yukarıdaki tüm adımlar R dil kodu ile otomatik olarak uygulanabilir.