改进的鸟鸣识别广泛学习系统,Applied Sciences
改进的鸟鸣识别广泛学习系统
Applied Sciences ( IF 2.5 ) Pub Date : 2023-10-06 , DOI: 10.3390/app131911009
Jing Lu 1 , Yan Zhang 2 , Danjv Lv 1 , Shanshan Xie 3 , Yixing Fu 1 , Dan Lv 1 , Youjie Zhao 1 , Zhun Li 1
鸟类在生物多样性和环境保护中发挥着至关重要且不可或缺的作用。保护鸟类多样性对于维持自然平衡、促进生态系统健康、确保可持续发展至关重要。广泛学习系统（BLS）表现出出色的能力，可以从原始输入中提取高度判别性的特征，并通过组合特征节点和增强节点构建复杂的特征表示，从而实现对各种鸟鸣的有效识别和分类。然而，在BLS中，特征节点和增强节点的选择具有至关重要的意义，但模型缺乏识别高质量网络节点的能力。为了解决这个问题，本文提出了一种新方法，将残差块和互相似性准则（MSC）层引入到BLS中，形成改进的BLS（RMSC-BLS），这使得BLS更容易自动选择与输出相关的最佳特征。实验结果表明，RMSC-BLS模型对于MFCC、dMFCC和dsequence这三个构建特征的准确率分别为78.85%、79.29%和92.37%，比传统模型提高了4.08%、4.50%和2.38%。原始 BLS 模型。此外，与其他模型相比，我们的RMSC-BLS模型表现出优越的识别性能，具有更高的稳定性和更好的泛化能力，为鸟鸣识别提供了有效的解决方案。实验结果表明，RMSC-BLS模型对于MFCC、dMFCC和dsequence这三个构建特征的准确率分别为78.85%、79.29%和92.37%，比传统模型提高了4.08%、4.50%和2.38%。原始 BLS 模型。此外，与其他模型相比，我们的RMSC-BLS模型表现出优越的识别性能，具有更高的稳定性和更好的泛化能力，为鸟鸣识别提供了有效的解决方案。实验结果表明，RMSC-BLS模型对于MFCC、dMFCC和dsequence这三个构建特征的准确率分别为78.85%、79.29%和92.37%，比传统模型提高了4.08%、4.50%和2.38%。原始 BLS 模型。此外，与其他模型相比，我们的RMSC-BLS模型表现出优越的识别性能，具有更高的稳定性和更好的泛化能力，为鸟鸣识别提供了有效的解决方案。
"点击查看英文标题和摘要"
相关知识
改进的鸟鸣识别广泛学习系统,Applied Sciences
基于多视角多层次对比学习的果园鸟鸣识别,Applied Acoustics
鸟类物种分类：深度学习在鸟鸣识别中的应用
基于多维神经网络深度特征融合的鸟鸣识别算法
鸟鸣识别，破译“鸟际关系”
通过机器学习识别鸟类
深度学习识别宠物猫狗分类模型
基于深度迁移学习与XGBoost的混合鸟鸣识别方法
鸟鸣的机器学习和统计分类将声音声学特征与系统发育联系起来,Scientific Reports
内在可塑性和鸟鸣学习,Neurobiology of Learning and Memory
网址: 改进的鸟鸣识别广泛学习系统,Applied Sciences https://m.mcbbbk.com/newsview708511.html
| 上一篇: ASMR类手游排行榜 |
下一篇: 鸟语学堂鸟鸣学习游戏卡顿延迟掉帧 |
