网站首页  词典首页

请输入您要查询的论文:

 

标题 基于SVM算法的猪声音识别的研究
范文

    张栖铭 袁瑞临 范凡 王峰

    

    

    

    摘要:為了实现猪只不同状态下的自动检测,试验采用声音识别技术,设计了基于支持向量机算法(SVM)的声音识别方法,首先通过短时过零率和短时能量的端点检测,确定猪只不同状态的声音信号的起始点和终止点,然后提取声音信息的梅尔频率倒谱系数作为特征参数,使用SVM算法进行训练,建立声音的分类模型,最后对猪只不同状态进行识别。结果表明:猪只状态识别精度较高,达到了预期效果。

    关键词:声音识别;SVM;MFCC;端点检测

    中图分类号:TP391

    文献标识码:A

    文章编号:1009-3044(2017)10-0162-03

    动物发声是动物行为的一种方式,可以通过叫声与其他成员进行有效交流,它能反映动物的生理状况如饥饿、疼痛、情绪状态等,因而基于动物声音的状态识别是有一定事实基础的。并且,随着计算机技术和数字信号处理技术的发展,声音识别技术已经取得了显著进步,动物的声音识别技术也得到了一定的发展。

    因为猪只的声音信息可以很好的反馈猪只的状态,因此,本试验采用梅尔倒谱系数(MFCC)作为猪只声音的特征参数,然后将提取的特征参数,用来建立支持向量机(SVM)的分类模型,最后对不同状态的猪只声音进行识别,为规模化的养猪业提供客观的猪只状态监测。

    1.算法介绍

    1.1声音信号的端点检测

    端点检测,声音处理中的一个重要方面,其作用是从包含声音的一段信号中确定出声音的起始点及终止点,区分声音和非声音信号。有效的端点检测不仅可以减少数据处理量,节约时间,而且能抑制无声段或噪声段的干扰,提高声音信号质量。利用短时能量和短时过零率进行双门限的端点检测。

    短时能量是声音的一个重要的特性,对声音的能量分析主要集中在短时能量上。短时能量的定义如下:

    1.2声音识别特征参数的提取(MFCC)

    声音信号特征的梅尔倒谱系数(MFCC)法,是基于听觉特性的特征参数:不同频率的声音,在人耳内基础膜的不同位置振动。所以人耳就可以很容易辨别出各种状态的声音,此参数作为猪声音的识别参数能更好地反应各种声音信号的特性,从而极大地提高整个系统鲁棒性和系统的识别率。

    MFCC参数主要描述了声音信号在频域的能量分布,Mel频率的大小与实际频率呈对数分布。下式即为Mel频率与声音频(Hz)的关系式:

    以两种猪只状态的声音为例,得到MFCC参数如图1,可以从图中看出,不同状态的猪只声音的特征参数有明显的区别,用此参数可以区别不同猪只状态。

    1.3SVM算法

    支持向量机(Support Vector Machine,SVM)是Vapnikm等人提出的一类新型机器学习方法。由于支持向量机在解决小样本问题、非线性问题及高维空间内的模式识别问题的时候有很多优点,所以其被广泛使用。

    目前实行支持向量机的软件方法有Libsvm、Liblinear、mvs-VM、SVMlight等方法。中国台湾大学的林智仁(Chih-Jen Lin)教授等人设计了Libsvm软件,已经在多个操作系统平台上实现了支持向量机。该软件整合了交叉验证(Cross-Validation)的功能,能够方便地优化参数。利用Libsvm可以解决C支持向量分类机、v支持向量分类机、s支持向量回归机和v支持向量回归机等问题,以及基于1-v-1算法的多分类问题。

    本试验中支持向量机采用的是Libsvm算法。Libsvm算法中的训练分类函数可以选择支持向量机的不同训练模式,其中,Option参数为训练分类模型的参数。可用选项即表示涵义如下:

    2.实现猪只状态的识别

    猪只的患病、争斗以及食欲情况都反映其生理健康状况。试验根据畜牧养殖从业人员的实际经验,选取了5种可以体现上述行为状态的猪只声音信息:小猪被压、猪打架、猪饥饿、猪吃料、猪咳嗽,作为本次试验的声音样本。

    2.1猪声音识别流程

    将采集到的五种猪只声音,一部分作为训练集,首先对声音信息进行预处理,即预加重、分帧、加窗;然后对声音进行双门限的端点检测,确定声音的起始点;将处理后的声音通过mel倒谱系数法提取声音特征值。将提取到的特征值通过SVM算法训练得到分类模型(model)。将其中一种猪只声音作为测试集,通过MFCC特征提取后,使用SVM算法分类预测出猪只状态。

    图2是猪声音识别流程。

    2.2程序分析结果

    Option选项中,-c和-g决定了分类效果,通过交叉验证选择最佳参数-c和-g。我们得到的最佳参数是:

    -c=0.125;-g=0.0078125。

    采用参数-c与-g对整个训练集进行训练获取支持向量机模型;训练得到的model参数:

    分类模型(model)中主要参数说明:

    (1)model.Parameters参数分别表示为:-s参数为0,为C-SVC函数;一t参数为2,采用RBF函数;-d参数为3;-gr(gama)为0.0078(优化得到的参数);-r coefO参数为0.

    (2)model.Label表示训练数据的分类标签,本试验采用的是l,2,3,4,5。

    (3)model.nr_class表示训练数据的分类个数,本试验是五分类。

    (4)model.totalSV表示训练样本共有的支持向量数目,试验结果表明,共有1476个支持向量。

    (5)model.nSV表示每类训练样本的支持向量的数目,分别是:标签为1的训练样本的支持向量数目有313个,标签为2的训练样本的支持向量数目有299个,标签为3的训练样本的支持向量数目有372个,标签为4的训练样本的支持向量数目有364个,标签为5的训练样本的支持向量数目有128个。

    通过svmpredict函数对测试集进行识别预测。得表2识别结果,包含待识别猪只状态和识别准确率。

    3.结论

    试验设计了一种基于声音的猪只状态识别方法,通过短时能量和短时过零率的端点检测,选择梅尔倒谱系数作为声音特征参数,以SVM算法作为分类器识别预测5种状态下的猪只异常声音,识别准确率较高。但本试验训练数据不足,且预测环境较为理想,因此有很多地方需要改进。一方面需要增加训练数据量,另一方面,进一步研究现场环境中混杂在一起的各种猪声音以及噪音的问题,通过以上方法来提高系统的准确率及实用性。

随便看

 

科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。

 

Copyright © 2004-2023 puapp.net All Rights Reserved
更新时间:2024/12/23 10:04:27