基于SVM算法猪声音识别研究.docVIP

基于SVM算法猪声音识别研究 　　摘要：?榱耸迪种碇徊煌?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