基于声信号特征加权的设施养殖羊行为分类识别

中国西部地区正在发展集约化和规模化的设施养羊业，通过监测羊舍内的声信号可以判别羊只的行为状态，从而为设施养羊的福利化水平评估提取基础依据。梅尔频率倒谱系数（mel frequency cepstrum coefficient，MFCC）模拟了人耳对语音的处理特点且抗噪音性强，被广泛用于畜禽发声信号的特征提取，但其没有考虑各个特征分量表征声信号的能力。该研究构建羊舍无线声音数据采集系统，采集20只羊在设施羊舍内的打斗、饥饿、咳嗽、啃咬和寻伴共5种行为下的声信号，并通过Audacity音频处理软件选出720个清晰且不重叠的声音样本数据。根据MFCC各分量对羊舍声信号表征能力，特征参数提取采用一种熵值加权的MFCC参数，再求其一、二阶差分并进行主成分分析降维，得到优化的19维特征参数。通过对羊舍声信号的声谱图分析，设计了支持向量机二叉树识别模型，并对模型内的4个分类器参数进行网格化寻优测试，该识别模型对羊只5种行为下的声信号进行分类识别，用改进的特征参数与传统MFCC和线性预测倒谱系数（linear predictive cepstrum coefficient，LPCC）进行对比分析。结果表明，该特征参数对5种行为的识别率平均可达83.6%，分别高于MFCC和LPCC参数14.1%和26.8%，羊只打斗和咳嗽行为的声信号属于相似的短时爆发类声音，其识别率分别仅为80.6%和79.5%，啃咬声特征显著不易混淆，其查全率可达到为92.5%，改进特征参数更好的表征了羊舍声信号的特征，提高了羊只不同行为的识别率，为羊只健康和福利状况的监测提供理论依据。     

基于深层神经网络的猪声音分类

猪的声音能够反映生猪的应激状态以及健康状况,同时声音信号也是最容易通过非接触方式采集到的生物特征之一。深层神经网络在图像分类研究中显示了巨大优势。谱图作为一种可视化声音时频特征显示方式,结合深层神经网络分类模型,可以提高声音信号分类的精度。现场采集不同状态的猪只声音,研究适用于深层神经网络结构的最优谱图生成方法,构建了猪只声音谱图的数据集,利用Mobile Net V2网络对3种状态猪只声音进行分类识别。通过分析对比不同谱图参数以及网络宽度因子和分辨率因子,得出适用于猪只声音分类的最优模型。识别精度方面,通过与支持向量机,随机森林,梯度提升决策树、极端随机树4种模型进行对比,验证了算法的有效性,异常声音分类识别精度达到97.3%。该研究表明,猪只的异常发声与其异常行为相关,因此,对猪只的声音进行识别有助于对其进行行为监测,对建设现代化猪场具有重要意思。     

基于MFCC与神经网络的小蠹声音种类自动鉴别

昆虫发出的各种声音具有种间特异性,是非常可靠的分类依据。利用这一特性,本实验旨在探索一种对昆虫自动分类的新方法。本实验录制了红脂大小蠹、云南切梢小蠹、短毛切梢小蠹和华山松大小蠹4种小蠹虫的胁迫声,利用Adobe Adition2.0对每个声音文件进行降噪,再将其截取成只含有一个脉冲组的声音片段。在MATLAB环境下对这...     

静态MFCC特征的性别差异性研究

从男性、女性的静态美尔倒谱系数（Mel-frequency cepstral coefficients），MFCC）特征概率密度函数的峰值差异、平均值和方差等方面研究了静态MFCC特征的性别差异性．结果表明，在峰值方面，MFCC1、MFCC2、MFCC6、MFCC9和MFCC12的差异最大；在均值方面，男性MFCC特征分量大于女性MFCC特征分量；在方差方面，大部分男性MFCC特征分量小于女性MFCC特征分量．     

基于深度神经网络及隐马尔科夫模型的生猪状态音频识别

针对传统音频识别方法在生猪音频信号识别中识别率较低的问题,将深度神经网络及隐马尔可夫模型理论作为生猪音频信号识别依据,以长白猪的吃饭声、发情声、嚎叫声、哼叫声和生病长白猪的喘气声为识别对象,利用卡尔曼滤波和改进的EMD-TEO倒谱距离端点检测算法对生猪音频信号进行预处理,把提取的39维的梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)作为网络学习和识别的数据集,构建基于深度神经网络及隐马尔科夫模型的生猪状态音频识别模型。试验结果表明:1)隐马尔可夫隐状态数设置为5,深度神经网络隐藏层设置为3层,每层128个节点的深度神经网络-隐马尔可夫模型(Deep neural network-hidden Markov model,DNN-HMM),对5种生猪状态音频,即吃饭声、嚎叫声、哼叫声、发情声和病猪喘气声的识别率为70%、95%、75%、80%和95%,总体识别率83%;2)相较于传统的高斯混合模型-隐马尔可夫模型(Gaussian mixture model-hidden Markov model,GMM-HMM),DNN-HMM对相应音频的识别率分别提高了5%、5%、15%、30%、30%,总体识别率提高了17%;3)DNN-HMM模型对于5种不同类型的生猪音频信号均呈现出较好的识别效果。基于DNN-HMM生猪音频识别模型,对生猪不同状态下音频的识别具有较高正确率,且更为可靠。     

自组织特征映射神经网络在说话人识别中的应用

Mel频率倒谱系数MFCC在说话人识别中已被广泛使用。本文以MFCC为声音信号的特征参数提取的标准。识别部分采用自组织神经网络的方法进行建模,实验结果表明该方法有较高的识别率。     

基于BP神经网络猪咳嗽声识别

咳嗽是猪患呼吸道系统疾病发病早期的主要症状.为解决猪呼吸系统疾病难以被发现和人工监测准确率低的问题,提出利用BP神经网络来检测和识别猪咳嗽声音的方案.基于四麦克风阵列进行猪声音数据的采集,以猪咳嗽声、打呼噜声、尖叫声、哼哼声、咆哮声的声音为研究对象,对得到的声音数据进行滤波、端点检测等预处理,把梅尔频率倒谱系数(MFC...     

语音特征参数MFCC的提取及其应用

Mel频率是能够反映人耳对不同频率语音感知能力的一种频率表达方式.主要介绍了Mel频率倒谱系数( MFCC)的特点及提取方法,并提取了MFCC的一阶差分,使特征参数在说话人识别上能够更加准确的反映语音信息,提高识别率.     

基于矢量量化的猪咳嗽声识别

针对猪的规模化养殖中频发的呼吸道疾病问题,提出通过监测咳嗽状况对猪的健康状况进行预警,以谱减法去噪和端点检测为猪咳嗽信号主要预处理方法,以矢量量化(vector quantization,VQ)匹配算法为核心算法,分别构建基于标准梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)和改进的MFCC 2种猪咳嗽声识别模型。测试结果显示,以标准MFCC为特征矢量构建的识别系统的识别率、误判率和综合识别率分别达到88%、14%和87.3%,基于改进的MFCC特征矢量构建的识别系统与之相比有很大提高,其识别率、误判率和综合识别率分别达到91%、12%和90.0%。试验表明,采用改进的MFCC与矢量量化相结合构建猪咳嗽识别系统是可行的,能够应用于猪的呼吸道疾病预警。