小波去噪加SVM，入侵鸟类识别准确率高达93.98%！
Processing and classifying bird songs using wavelet techniques and supervised learning
📖 AI 总结
本研究针对自然声景中高环境噪声导致鸟类鸣声信号退化的问题，提出了一套融合小波处理与监督学习的入侵鸟种声纹识别框架。方法上，采用基于Epanechnikov核先验的贝叶斯小波收缩去噪技术，该策略具有闭式决策规则和较高计算效率，适用于大规模生物声学数据处理。研究选取iNaturalist平台上三种鸟类（紫喉歌雀、红嘴相思鸟和家麻雀）的录音作为样本，去噪后提取梅尔频率倒谱系数及熵、过零率等频谱特征，并比较随机森林、多项式逻辑回归与支持向量机在不同特征维度下的分类表现。结果显示，小波预处理显著提升了分类性能，支持向量机在10维MFCC配置下取得最高准确率0.9398。该研究为自动化生态监测和生物入侵管理提供了一种稳健的统计工具。
🔑 关键词速览
| 贝叶斯小波收缩 | 一种基于贝叶斯统计的小波去噪方法，通过先验分布对信号进行收缩处理以去除噪声。 |
| Epanechnikov核先验 | 一种用于贝叶斯小波收缩的先验分布，基于Epanechnikov核函数，能提供闭式决策规则。 |
| 梅尔频率倒谱系数 (MFCCs) | 一种常用于音频信号处理的特征，模拟人耳对频率的非线性感知，广泛用于语音和生物声学分类。 |
| 支持向量机 (SVM) | 一种监督学习模型，通过寻找最优超平面来进行分类，适用于高维数据。 |
| 生物入侵 | 外来物种引入新环境后对当地生态系统造成危害的现象，本研究旨在通过声学监测进行管理。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅