信息融合增强鸟类声纹识别研究
摘要：
鸟类在生态系统中扮演着重要角色,有效监测与识别其分布对保护和评估生态系统都具有重要意义.珍稀野生鸟类的生存与发展维系着生态系统的平衡与稳定,是评价生态环境质量的重要指标.目前对鸟类进行物种识别通常借助鸟鸣声数据,但自然复杂声学环境下的鸟鸣声数据通常存在环境噪声复杂,鸣声数据不平衡和生物频谱信息不全面等问题.近年来,深度学习技术的大放异彩使得大规模数据的鸟类声纹识别得以发展.寻求一种高效鲁棒的鸟类声纹识别方法对保护鸟类物种多样性和评估生态系统具有重要意义.基于上述原因,本文在鸟类物种识别的背景下,结合多维鸟类鸣声特性,研究适用于自然声学环境下鸟类声纹识别方法.研究工作分为三部分:基于图像处理的鸟鸣声特征强化方法,基于特征融合的鸟鸣声谱图特征集和基于决策级融合的多通道鸟类声纹识别模型.(1)在鸟鸣声预处理阶段,针对鸟鸣声特性分别从鸟鸣声谱图降噪,鸣声信号切割和鸟鸣声谱图特征提取三个方向提出了处理策略.并通过一系列图像处理方法的组合使用,实现鸟鸣声谱图信噪分离,特异性数据增强和视觉感知力提升三个功能,增强鸟鸣声数据的可解释性.(2)在鸟鸣声特征提取部分,选取了五种鸟鸣声的声纹特征,基于特征融合生成三种具有多尺度时频特性的聚合特征.通过多种特征的融合互补降低单一特征进行分类时对环境噪声的敏感性,帮助提高空间覆盖率和增强对鸣声特征重叠的鲁棒性.通过融合多层次特征,时频域特征,局部和全局特征实现了智能的鸟鸣声谱图信息处理.(3)在鸟类声纹识别模型方面,提出一种基于决策级融合的多通道卷积神经网络模型.该模型融合多尺度鸟鸣声时频特性,利用空间信息补偿低信噪比鸣声信息,在保持准确性的同时提高对鸟鸣声特征的灵敏度.实验结果表明,具有决策级融合功能的合并神经网络的性能优于单个深度架构,该结构的分类精度不仅可以超过LTCNet,MTCNet和GTCNet,还优于现有的高性能CNN模型.通过上面三个步骤,实现了信息融合增强鸟类声纹识别,形成了智能的鸟鸣声谱图数据信息处理和鲁棒的多通道鸟类声纹识别模型.最终,结合湖北地区珍稀野生保护鸟类名录,对52种重点保护鸟类进行识别.实验结果表明,基于图像处理的鸟鸣声特征强化方法有效地改善了鸟鸣声音频信号在识别过程中存在的背景噪声高,鸣声特征不突出和生物频谱信息不全面等问题;基于数据级融合的聚合特征相比于单一声纹特征具有更强鲁棒性;基于信息融合的鸟类声纹识别系统在分类精度上优于典型高性能卷积神经网络架构.
展开
相关知识
信息融合增强鸟类声纹识别研究
一种声纹识别自动宠物门的制作方法
声纹识别概述（1）初识
宠物摄影行业文化与创意融合研究.pptx
鸟类行为学与社会规律研究.pptx
动物研究所自主研发的野生动物声纹智能监测系统取得重要进展
科学网—鸟类种内声音识别研究获新进展
鸦科鸟类认知研究回顾
鸟类的智商排名，有位科学家研究出了惟一测量鸟类IQ的方法
鸟类动物行为学的有效性研究
网址: 信息融合增强鸟类声纹识别研究 https://m.mcbbbk.com/newsview189486.html
| 上一篇: 鸟类声音识别方法,装置,计算机设 |
下一篇: 如何通过鸟鸣声辨别鸟类? |
