[发明专利]一种基于MFCC算法的朱鹮个体识别方法

摘要

本发明公开了一种基于MFCC算法的朱鹮个体识别方法，其包括如下步骤：(1)对采集到的朱鹮鸣声信号进行预处理，包括预加重、分帧加窗和端点检测；(2)通过快速傅里叶变换，得到朱鹮鸣声信号的功率谱，对功率谱进行平滑后，采用MFCC、MidMFCC、IMFCC相结合提取特征参数；(3)利用改进的小波神经网络对朱鹮鸣声信号的特征参数进行训练识别。本发明具有很好的抗噪性，可提取出更能表征朱鹮鸣声特点的特征参数，提高系统的识别率。

主权项

一种基于MFCC算法的朱鹮个体识别方法，其特征在于，包括以下步骤：A、鸣声信号的训练识别：A1、录取的N只朱鹮的鸣声信号，每只朱鹮录取两种不同鸣声信号；将录取的N只朱鹮的鸣声信号分为两组，一组鸣声作为训练样本，一组鸣声作为测试样本；A2、用数字滤波器分别对两组语音数据进行预加重，再对其进行分帧加窗操作后进行端点检测，然后逐帧计算鸣声信号的MFCC系数，并将其保存；A3、构造一个三层的小波神经网络，设置初始的网络参数：网络结构为72‑14‑10，学习速率为0.8，训练误差精度为0.001；A4、对每只朱鹮的语音特征系数采用小波神经网络算法来训练网络，同时用遗传算法来优化神经网络的权值；A5、设定参数：种群规模pop_size＝100，交叉概率p_c＝0.6，变异概率p_m＝0.01；A6、随机产生一组实值串种群，每一个个体由网络的初始权值构成；A7、对实值串中的个体进行解码，生成相应的网络结构，网络结构为72‑14‑10；A8、运行网络，根据下式计算群体个体的适应度值，评价网络性能；$f=\frac{1}{E+1}$其中E为小波神经网络的输出误差，n为训练样本总数，y_p和分别为第P个个体的训练样本输出和实际输出向量；A9、根据每个个体适应度，从群体中选择出两个适应度最大的以概率p_c执行交叉操作，再以遗传概率p_m进行变异操作，由此产生出两个新的个体；采用这种方法，依次遗传产生出新个体，如此迭代，产生下一代种群，形成下一代网络；A10、直到网络收敛并达到期望的训练误差精度0.001，则停止进化，保存最优权值，输出结果，每个语音信号对应一组网络权值，否则重复操作步骤A7～步骤A9；A11、训练结束后获得所有朱鹮鸣声的训练样本输出矩阵；B、对待识别的朱鹮鸣声信号进行预处理；C、对进行预处理后的鸣声信号进行特征参数的提取：采用MFCC特征参数；D、在步骤A训练后的神经网络的输入层中输入步骤C提取的语音特征参数系数，重复步骤A5至A10得到待识别朱鹮鸣声信号对应的一组网络权值，调用该网络权值计算出网络输出矩阵，与训练样本输出矩阵逐一比较，误差最小的那个语音信号为识别结果。