【目的】从原始鸟类音频频谱图样本集中自动筛选并剔除噪音频谱图,可以提升鸟类物种分类的准确率。【方法】本文基于卷积神经网络,对频谱图提取特征向量,借助Faiss算法库计算特征向量的距离矩阵,然后使用DBSCAN(Density-Based Spatial C...【目的】从原始鸟类音频频谱图样本集中自动筛选并剔除噪音频谱图,可以提升鸟类物种分类的准确率。【方法】本文基于卷积神经网络,对频谱图提取特征向量,借助Faiss算法库计算特征向量的距离矩阵,然后使用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法筛选出噪音频谱图,最后将经过筛选后的频谱图样本集输入到分类模型中进行鸟类物种分类。【结果】通过本方法,从频谱图样本集中剔除了大量噪音频谱图,使得后续的鸟类物种的分类准确率得到了提升。【局限】由于DBSCAN算法聚类的效果受到邻域阈值(ε)和密度阈值(MinPts)参数的影响比较大,因此未来应该去探索自适应的方法获得参数值。【结论】本文将卷积神经网络和数据挖掘中的密度聚类算法相结合,提出了一种鸟类音频数据预处理方法,该方法可以自动筛选噪音频谱图,为后续的鸟类物种识别提供了高质量的频谱图样本集。展开更多
日益频繁的鸟类活动给输电线路的安全运行带来了极大威胁,而现有拟声驱鸟装置由于缺乏智能性,无法长期有效驱鸟.为了解决上述问题,本文提出基于改进Q⁃learning算法的拟声驱鸟策略.首先,为了评价各音频的驱鸟效果,结合模糊理论,将鸟类听...日益频繁的鸟类活动给输电线路的安全运行带来了极大威胁,而现有拟声驱鸟装置由于缺乏智能性,无法长期有效驱鸟.为了解决上述问题,本文提出基于改进Q⁃learning算法的拟声驱鸟策略.首先,为了评价各音频的驱鸟效果,结合模糊理论,将鸟类听到音频后的动作行为量化为不同鸟类反应类型.然后,设计单一音频驱鸟实验,统计各音频驱鸟效果数据,得到各音频的初始权重值,为拟声驱鸟装置的音频选择提供实验依据.为了使计算所得的音频权重值更符合实际实验情况,对CRITIC(Criteria Impor⁃tance Though Intercrieria Correlation)方法的权重计算公式进行了优化.最后,使用实验所得音频权重值对Q⁃learning算法进行改进,并设计与其他拟声驱鸟策略的对比实验,实验数据显示改进Q⁃learning算法的拟声驱鸟策略驱鸟效果优于其他三种驱鸟策略,收敛速度快,驱鸟效果稳定,能够降低鸟类的适应性.展开更多
文摘【目的】从原始鸟类音频频谱图样本集中自动筛选并剔除噪音频谱图,可以提升鸟类物种分类的准确率。【方法】本文基于卷积神经网络,对频谱图提取特征向量,借助Faiss算法库计算特征向量的距离矩阵,然后使用DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法筛选出噪音频谱图,最后将经过筛选后的频谱图样本集输入到分类模型中进行鸟类物种分类。【结果】通过本方法,从频谱图样本集中剔除了大量噪音频谱图,使得后续的鸟类物种的分类准确率得到了提升。【局限】由于DBSCAN算法聚类的效果受到邻域阈值(ε)和密度阈值(MinPts)参数的影响比较大,因此未来应该去探索自适应的方法获得参数值。【结论】本文将卷积神经网络和数据挖掘中的密度聚类算法相结合,提出了一种鸟类音频数据预处理方法,该方法可以自动筛选噪音频谱图,为后续的鸟类物种识别提供了高质量的频谱图样本集。
文摘日益频繁的鸟类活动给输电线路的安全运行带来了极大威胁,而现有拟声驱鸟装置由于缺乏智能性,无法长期有效驱鸟.为了解决上述问题,本文提出基于改进Q⁃learning算法的拟声驱鸟策略.首先,为了评价各音频的驱鸟效果,结合模糊理论,将鸟类听到音频后的动作行为量化为不同鸟类反应类型.然后,设计单一音频驱鸟实验,统计各音频驱鸟效果数据,得到各音频的初始权重值,为拟声驱鸟装置的音频选择提供实验依据.为了使计算所得的音频权重值更符合实际实验情况,对CRITIC(Criteria Impor⁃tance Though Intercrieria Correlation)方法的权重计算公式进行了优化.最后,使用实验所得音频权重值对Q⁃learning算法进行改进,并设计与其他拟声驱鸟策略的对比实验,实验数据显示改进Q⁃learning算法的拟声驱鸟策略驱鸟效果优于其他三种驱鸟策略,收敛速度快,驱鸟效果稳定,能够降低鸟类的适应性.