专利汇可以提供一种基于Mel子带参数化特征的鸟鸣自动识别方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于Mel子带参数化特征的 鸟 鸣自动识别方法。该方法针对自然复杂声学环境下基于鸟鸣的物种分类问题,首先采用高斯混合模型拟合连续声学监测数据分 帧 后的对数 能量 分布,选取高似然率的数据帧组成候选声音事件,结合基于候选事件能量的后处理过程,完成稳健检测与自动分段;然后在谱图域对相应 片段 采用Mel带通 滤波器 组滤波处理,基于 自回归模型 分别建模各个子带输出的随时间变化的能量序列,得到能够描述不同种类鸟鸣 信号 时频特性的参数化特征;最后利用 支持向量机 算法 进行分类识别。本发明实现简单,对生态监测有重要意义。,下面是一种基于Mel子带参数化特征的鸟鸣自动识别方法专利的具体信息内容。
1.一种基于Mel子带参数化特征的鸟鸣自动识别方法,其特征在于步骤如下:
步骤1、对野外实测的鸟声连续监测数据进行预处理;
步骤2、对预处理后的连续监测数据进行自动分段,提取鸟鸣声片段;
步骤3、对步骤2得到的鸟鸣片段提取参数化特征;
步骤4、根据步骤3提取出的特征进行鸟类物种的分类识别。
2.根据权利要求1所述的基于Mel子带参数化特征的鸟鸣自动识别方法,其特征在于:
步骤1对野外实测的鸟声连续监测数据进行预处理具体包括以下步骤:
步骤1-1、将野外实测的连续鸟声监测数据统一转换为相同的采样率;
步骤1-2、对连续鸟声监测数据进行分帧、加窗及短时傅里叶变换,得到功率谱图,功率谱图表示为如下形式:
SP=[sp(1),sp(2),…,sp(L)];
式中,L表示帧数,第l帧(1≤l≤L)频域向量为:
sp(l)=[|S(0,l)|2,|S(1,l)|2,…,|S(N/2-1,l)|2]T;
其中,上标T表示转置,S(k,l),0≤k≤N/2-1表示在时频点(k,l)处的短时傅里叶变换结果,N为每帧信号进行快速傅里叶变换(Fast Fourier Transform,FFT)的点数,k为频率序号。
3.根据权利要求1所述的基于Mel子带参数化特征的鸟鸣自动识别方法,其特征在于:
步骤2对连续鸟声监测数据进行自动分段具体包括以下步骤:
步骤2-1、设置频率下限和上限分别为fL和fH;
步骤2-2、利用公式 确定每一帧的短时能量;
式中,l为帧序号,k为频率序号,S(k,l)表示在时频点(k,l)处的短时傅里叶变换结果,NL和NH分别表示fL和fH对应的频率点序号,e(l)为第l帧的短时能量;
步骤2-3、利用公式le(l)=log10(e(l))确定每一帧的对数能量;
步骤2-4、帧对数能量分布用含有两个高斯分量的高斯混合模型(Gaussian Mixture Model,GMM)生成,则两个高斯分量分别近似为鸣声事件帧集合以及环境噪声帧集合的概率密度函数,概率密度函数表示为:
式中,对应于第m个高斯分量,μm为均值, 为方差。wm表示高斯分量权重系数,0≤wm≤
1,且满足
步骤2-5、对于第l帧,如果该帧属于环境噪声帧集合的后验概率大于属于鸣声事件帧集合的后验概率,判决该帧归属环境噪声,环境噪声帧不予处理;如果该帧属于鸣声事件帧集合的后验概率大于属于环境噪声帧集合的后验概率,则判决该帧归属某个鸣声片段,与该帧时间上连续且同样满足上述条件的其他帧也归属为该片段;
鸣声片段集合记为D={AE1,AE2,…,AEK},其中K为片段个数;
步骤2-6、计算步骤2-5得到的各个鸣声片段的对数能量,所用公式为:
最大值记为 对于第k个片段,如果ME-EAEk≥20dB,则从鸣声片段集合
中剔除这个生态研究价值较小的过弱片段。
4.根据权利要求1或3所述的基于Mel子带参数化特征的鸟鸣自动识别方法,其特征在于,步骤3对鸟鸣片段提取参数化特征具体为:
步骤3-1、根据步骤1-2计算第i个鸣声片段的功率谱图矩阵SPi;
步骤3-2、设置一个包含32个带通滤波器的Mel滤波器组,其中第1个子带的下限Mel频率与第32个子带的上限Mel频率分别对应步骤2-1中的fL和fH,其转换关系为:
fMel=1127×ln(1+f/700);
步骤3-3、Mel滤波器组中第j个带通滤波器离散化后在物理频率域的频率响应表示为:
h(j)=[hj(0),hj(1),…,hj(N/2-1)]T,j=1,2,...,32;
相应滤波器组的频率响应矩阵表示为:
H=[h(1),h(2),…,h(32)]T;
步骤3-4、第i个鸣声片段经过并行滤波后的输出为:
Y=H·SPi;
步骤3-5、计算第j个Mel子带内信号能量随时间变化的序列,所用公式为:
式中, 表示矩阵第j行,mean(·)表示取均值,uj表示第j个Mel子带内信号能量随时间变化的序列;
步骤3-6、uj对应的Mj阶自回归(AutoRegressive,AR)模型表示为:
其中z(l)为零均值白噪声序列,模型参数 即为uj对应的参数化特征,模型阶次Mj由AIC准则(Akaike Information Criterion,AIC)来确定;
步骤3-7、表征一个鸣声片段的参数化特征向量表示为:
其中 M=10;当某个Mel子带输出序列uj对应模型阶
次Mj小于M时,对应的vj最后M-Mj个系数设置为零。
5.根据权利要求1所述的基于Mel子带参数化特征的鸟鸣自动识别方法,其特征在于,步骤4进行鸟类物种的分类识别具体为:利用机器学习中的支持向量机(Support Vector Machine,SVM)分类器完成鸣声片段的自动物种分类。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种高速压力机底座动态特性的可靠性设计方法 | 2020-05-11 | 15 |
一种高速连接器的PCB及其优化方法和系统 | 2020-05-11 | 543 |
基于神经网络的三相交流异步电机多参数寿命预测方法 | 2020-05-11 | 924 |
一种基于控制参数化的无人机路径规划方法 | 2020-05-12 | 200 |
一种有效的图像镜面反射移除方法 | 2020-05-08 | 893 |
基于红外检测图像信号的层间脱粘缺陷复杂边界轮廓定量重构方法 | 2020-05-14 | 191 |
一种面向深度学习的GPU并行计算的数据处理方法 | 2020-05-14 | 814 |
用于盾构隧道的建模方法 | 2020-05-12 | 424 |
基于BIM的混凝土装配式建筑施工方法 | 2020-05-15 | 168 |
一种高耸物参数建模分析系统及风载可靠性分析方法 | 2020-05-08 | 942 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。