基于SVM算法的猪声音识别的研究.docx

基于SVM算法的猪声音识别的研究 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：TP391：A：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，2，3，4，53）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 电脑知识与技术2017年10期电脑知识与技术的其它文章计算机局域网网络维护方法研究计算机教学改革中的行动导向教学模式设计数字化校园建设下移动OA系统的设计与研究基于WebMatrix的Web开发课程教学改革分层教学法在计算机基础课程中的应用研究大数据时代计算机数据备份技术分析 -全文完-。