基于机器学习的检测海洋哺乳动物在中占主导地位的环境噪音中的发声

科学领域:

• 海洋生物学 海洋生物学
• 生物声学是一种生物声学.
• 信号处理 信号处理

背景情况:

• 被动声学对于海洋哺乳动物监测和种群估计至关重要.
• 热带水域的高环境噪音使声学检测成为一个挑战.
• 现有的方法与持续的冲动噪声作斗争,阻碍了准确的海洋哺乳动物识别.

研究的目的:

• 开发和应用基于神经网络的探测器,用于海洋哺乳动物的发声.
• 研究和实施降噪技术,以改善在高噪音环境中的检测.
• 为了分析三年来在新加坡水域记录的海洋哺乳动物发声.

主要方法:

• 在新加坡的十个地点部署声记录仪.
• 开发一个神经网络探测器用于海洋哺乳动物的发声.
• 应用和评估基于非线性和机器学习的denoisers,以减轻的噪音.

主要成果:

• 神经网络探测器的性能最初受到高噪声的阻碍.
• 降噪技术,包括机器学习消噪器,显著增强了检测能力.
• 在三年的时间里,成功地检测并讨论了海洋哺乳动物的发声.

结论:

• 有效的降噪对于在生物丰富,杂的热带环境中成功的被动声学监测至关重要.
• 开发的神经网络探测器,通过无声化进行增强,为海洋哺乳动物监测提供了强大的解决方案.
• 长期的声学数据分析为海洋哺乳动物的存在和声乐行为提供了宝贵的见解.