采用高斯混合模型进行多尺度样本透基特征提取,用于检测和分类蓝的发音
Oluwaseyi Paul Babalola1, Olayinka Olaolu Ogundile2, Vipin Balyan1
1French-South African Institute of Technology, Department of Electrical, Electronic, and Computer Engineering, Cape Peninsula University of Technology, Bellville, Cape Town 7535, South Africa.
Entropy (Basel, Switzerland)
|April 26, 2025
概括
一个新的多尺度样本 (MSE) 算法改进了蓝呼叫检测和分类. 这种方法优于传统技术,为分析复杂的鱼声音提供更高的准确性.
科学领域:
- 生物声学是一种生物声学.
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 持续的声学监测对于了解海洋哺乳动物的声音行为至关重要.
- 分析复杂和非静止的发声,如蓝的发声提出了重大挑战.
- 现有的特征提取方法可能无法完全捕捉蓝呼叫的复杂性.
研究的目的:
- 在蓝声学中引入一种新的多尺度样本 (MSE) 算法,用于时间域特征提取.
- 将MSE与高斯混合模型 (GMM) 结合应用,以提高蓝呼叫检测和分类.
- 为了将拟议的MSE-GMM算法与已建立的方法进行基准测试.
主要方法:
- 开发和应用一个多尺度样本 (MSE) 算法用于特征提取.
- 将MSE特征集成到高斯混合模型 (GMM) 框架中.
- 与主要组件分析 (PCA) -GMM,基于波形特征 (WF) -GMM和动态模式分解 (DMD) -GMM进行比较分析.
- 基于GMM的特征选择方法的建议,考虑特征之间的相关性.
主要成果:
- 拟议的MSE-GMM算法在分类蓝的发音方面表现出卓越的表现.
- 与PCA-GMM,DMD-GMM和WF-GMM相比,实现了更高的准确性和更低的错误率.
- 基于GMM的特征选择通过评估相关特征来提高分类模型的准确性.
结论:
- 多尺度样本 (MSE) 是一种有效的时间域特征提取技术,用于蓝生物声学.
- 该MSE-GMM方法为蓝呼叫的自动检测和分类提供了重大进展.
- 这项研究提供了一个强大的方法来分析复杂的海洋哺乳动物的发声.
