Tanıma Modellemesi

Özellik sayısının fazla olması nedeniyle, özellikler çıkarıldıktan sonra önem sıralamasını yapmak için 10 kat çapraz doğrulamalı SVM-RFE kullanılmış ve ardından seçilen özellik sayısıyla doğruluktaki değişimi kaydetmek için LDA sınıflandırması için özellikler sırayla eklenmiş ve son olarak en iyi özellik sayısı sonraki sınıflandırmalar için girdi olarak kaydedilmiştir (bkz. Şekil 8). LDA sınıflandırması için en yüksek doğruluk oranı %89,2 (ön) / %95,6 (ön + n×mR0) olmuştur.

Sabit sayıda pencere ile çıkarılan MFCC'lerin hiçbiri LDA sınıflandırması için GMM uydurma yönteminden daha iyi sonuçlar elde etmediğinden (6 pencere: %86,6; 10 pencere: %88,5; 100 pencere: <%80), diğer sınıflandırıcıların etkinliğini yalnızca GMM uydurma yöntemiyle çıkarılan özellikleri kullanarak test ettik. Bu testte, verilerin %20'sini test seti olarak rastgele seçtik ve verilerin geri kalanı sınıflandırıcıyı eğitmek için kullanıldı ve doğruluk dağılımını kaydetmek için her çekirdek fonksiyonu için 10 kez tekrarlandı. Bunlar arasında, MRU olarak yalnızca pre kullanıldığında GMM'nin sınıflandırma etkisi zayıfken, MRU olarak pre + n×mR0 kullanıldığında etki genellikle yalnızca pre kullanmaktan daha iyidir.

Birey tanıma için kullanılabilecek birçok sınıflandırıcı vardır. Sınıflandırıcıların performansları ve olanakları göz önüne alındığında, bu araştırma gibon biyoakustiği veya insan sesi örüntü tanıma alanında önemli ölçüde geliştirilmiş olan üç sınıflandırıcının sınıflandırma etkinliğini karşılaştırmıştır, yani (1) doğrusal diskriminant analizi (LDA), (2) destek vektör makinesi (SVM) ve (3) GMM (ölçülecek veri ile mevcut veri arasındaki benzerliği belirleyerek sınıflandırma).

Ses örüntüsü özelliklerinin çıkarılması için temel yöntem belirlenmiş ve Hainan gibonlarının bireysel seslerinin tanınması için bir ön sistem yöntemi oluşturulmuştur. Ön sonuçlarımız, mevcut sistem yönteminin nispeten güvenilir olduğunu ve projenin beklenen hedeflerine ulaştığını göstermektedir. Bunlar arasında, MRU olarak pre + n × mR0 kullanılması, GMM uydurma yöntemi kullanılarak ses örüntüsü özelliklerinin çıkarılması ve sınıflandırma için doğrusal DVM kullanılması daha etkili olacaktır. Takip eden çalışmalarda, nadir bireylerin verileri sürekli olarak desteklenecek ve algoritma sisteminin tasarımı geliştirilecek, sınıflandırıcının bilinmeyen bireyleri tanıma yeteneği verilecek ve sistemin performansı kapsamlı bir şekilde değerlendirilecek, böylece sonuçta Hainan gibonlarının bireysel sesinin tanınması gerçekleştirilecektir.