[发明专利]一种基于混合特征选择和GWO-KELM模型的鸟声识别方法

说明书

本发明涉及一种基于混合特征选择和GWO‑KELM模型的鸟声识别方法，属于鸟鸣声分类识别技术领域。该方法包括如下步骤：首先从鸟声数据提取ComParE特征集，接着通过基于KELM和Fscore的混合特征选择算法对ComParE特征集进行特征选择得到适用于鸟声识别的特征子集，然后将特征子集在KELM模型十折交叉验证正确率作为灰狼优化算法的适应度，迭代寻找最优的正则化参数c和核函数参数，最后在该参数上对KELM模型进行训练，得到识别结果。本发明使用大规模声学特征集ComParE，减弱了噪声对于识别结果的影响；通过基于KELM和Fscore的混合特征选择算法，降低了特征集的冗余度，提高了识别准确率；通过GWO优化KELM分类模型，找到最佳参数充分发挥KELM模型的性能。

技术领域

本发明涉及一种基于混合特征选择和GWO-KELM(灰狼算法优化核极限学习机)模型的鸟声识别方法，属于鸟鸣声分类识别技术领域。

背景技术

鸟类作为生态系统的重要组成部分，对鸟类活动和分布的监测为了解一个地区的生物多样性变化和气候变化提供了重要的依据，因此对鸟类的监测与分类识别具有重要意义。鸟鸣声和形态特征是区分鸟类的重要特征，也是目前鸟类物种识别普遍采用的方式，在实际监测中鸟鸣声相较于形态特征更加便于监测。通过对鸟类物种的识别，对保护珍稀野生鸟类物种也具有重要意义。

目前国内外对于鸟声识别的研究并不是很多，通过调查研究发现目前国内外的鸟声识别技术主要通过改进鸟声提取算法，提取各种鸟声特征然后使用机器学习算法构建分类器进行识别。然而目前方法所提取的鸟声特征较为单一，识别效果易受环境噪声影响。

发明内容

为了解决鸟声识别算法中提取特征单一、分类准确率低等问题，本发明提出了一种基于混合特征选择和GWO-KELM模型的鸟声识别方法，将广泛用于语音情感识别中的大规模声学特征集ComParE(Computational Paralinguistics ChallengE，InterSpeech挑战赛公开的特征集)引入鸟声识别领域，采用灰狼优化算法(GWO)寻找极限学习机(KELM)模型参数的全局最优值，提高准确率。

本发明为解决其技术问题采用如下技术方案：

一种基于混合特征选择和GWO-KELM模型的鸟声识别方法，包括如下步骤：

(1)从鸟声数据提取ComParE特征集；

(2)接着通过基于KELM和Fscore的混合特征选择算法对ComParE特征集进行特征选择得到适用于鸟声识别的特征子集；

(3)将特征子集在KELM模型十折交叉验证正确率作为灰狼优化算法的适应度，迭代寻找最优的正则化参数c和核函数参数σ；

(4)最后在该参数上对KELM模型进行训练，得到识别结果。

步骤(1)的具体过程如下

首先对鸟声数据统一为单声道、采样率44.1KHz、32位的WAV格式音频，使用OpenSmile提取ComParE特征集。

本发明的有益效果如下：

使用大规模声学特征集ComParE，减弱了噪声对于识别结果的影响；通过基于KELM和Fscore(特征的F分数，一个特征评价标准)的混合特征选择算法，降低了特征集的冗余度，提高了识别准确率；通过GWO优化KELM分类模型，找到最佳参数充分发挥KELM模型的性能。

附图说明

图1为鸟声识别系统框图。

图2为GWO-KELM迭代结果图。

具体实施方式

下面结合附图对本发明创造做进一步详细说明。