高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于MFCC与神经网络的小蠹声音种类自动鉴别

罗茜 王鸿斌 张真 孔祥波

罗茜, 王鸿斌, 张真, 孔祥波. 基于MFCC与神经网络的小蠹声音种类自动鉴别[J]. 北京林业大学学报, 2011, 33(5): 81-85.
引用本文: 罗茜, 王鸿斌, 张真, 孔祥波. 基于MFCC与神经网络的小蠹声音种类自动鉴别[J]. 北京林业大学学报, 2011, 33(5): 81-85.
LUO Qian, WANG Hong-bin, ZHANG Zhen, KONG Xiang-bo. Automatic stridulation identification of bark beetles based on MFCC and BP Network.[J]. Journal of Beijing Forestry University, 2011, 33(5): 81-85.
Citation: LUO Qian, WANG Hong-bin, ZHANG Zhen, KONG Xiang-bo. Automatic stridulation identification of bark beetles based on MFCC and BP Network.[J]. Journal of Beijing Forestry University, 2011, 33(5): 81-85.

基于MFCC与神经网络的小蠹声音种类自动鉴别

Automatic stridulation identification of bark beetles based on MFCC and BP Network.

  • 摘要: 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环境下对这些声音片段进行端点监测并提取12维的MFCC(Mel频率倒谱系数),然后将此特征参数输入BP神经网络进行训练和检测。设置训练样本数为20、40、60、80、100,4种小蠹检测样本数分别为54、95、54、50,结果显示识别率随着训练样本数的增加而提高,在训练样本量为100时的最高识别率达到98.14%,平均识别率为93.29%,收到了较好的效果。为了验证小蠹种类数对识别率的影响,本实验对4种小蠹进行了两两比较,结果显示总体上高于4种一起识别的结果。

     

  • 加载中
计量
  • 文章访问数:  1319
  • HTML全文浏览量:  108
  • PDF下载量:  37
  • 被引次数: 0
出版历程
  • 收稿日期:  1900-01-01
  • 修回日期:  1900-01-01
  • 刊出日期:  2011-09-30

目录

    /

    返回文章
    返回