基于音频技术的白羽肉鸡咳嗽识别算法研究

[目的]咳嗽是肉鸡呼吸道发病初期的主要症状,为实现肉鸡呼吸道疾病非接触式监测,本研究提出一种肉鸡咳嗽声识别算法。[方法]利用网络拾音器采集白羽肉鸡咳嗽及其他声音数据,选用最小均方误差(MMSE)谱减法对其进行滤波去噪;经预处理后人工截取肉鸡咳嗽样本与噪声样本;提取样本基于小波变换的梅尔频率倒谱系数(WMFCC)特征,构建高斯混合模型-隐马尔科夫模型(GMM-HMM)识别算法,训练并调整优化咳嗽识别模型。[结果]试验表明,在隐状态数为3,高斯元个数为3时,该模型在测试集上达到最优识别效果,正确率为98.7%。将算法识别结果与人工分类结果比较,肉鸡咳嗽识别算法的平均准确率为95%。[结论]本文提出的肉鸡咳嗽算法模型能较好地检测肉鸡咳嗽,为肉鸡呼吸道疾病的早期自动预警提供技术支持。

基于深度学习的帕金森患者声纹识别

90%的帕金森病(PD)患者存在声带紊乱,提出一种利用WMFCC提取患者的声纹特征、DNN识别并分类的方法用于区分PD患者和健康人。通过计算患者声纹中倒谱系数的加权和系数,解决高阶倒谱系数小、特征分量对音频的表征能力差等问题。DNN训练并分类识别有效地提高系统精度,使用MBGD优化算法降低损失函数的计算量,提高系统训练速度。针对PD database中样本测试分类,结果相较传统SVM等方法,该方法提高了判别PD准确率,可达87.5%,为PD患者早期快速辅助诊断提供了良好的解决方案。

低空飞行目标声音优化识别研究

针对战场环境噪声下的低空目标声音识别问题,首先用阈值EMD对典型环境噪声进行去除,其次提取基于离散小波变换的Mel频率倒谱系数(WMFCC)的特征参数,最后利用支持向量机(SVM)分类识别,利用含噪声音提取的MFCC和WMFCC以及经过阈值EMD去噪后的声音再提取的MFCC和WMFCC作为特征向量进行分类识别。不同噪声不同信噪比条件下的对比实验结果表明,SVM分类器利用阈值EMD去噪后提取的WMFCC特征参数进行分类,可以有效去除噪声,提高识别率,并且在低信噪比环境噪声下,分类性能明显优于其它方法。