【技术实现步骤摘要】
本专利技术涉及狗类品种鉴别，具体为一种应用mfcc-dsru的狗类品种鉴别方法。
技术介绍
1、狗是日常生活中最常接触到的动物之一，由于狗作为伴侣动物的需求持续增长，狗交易市场发展也越来越迅速。在进行狗类交易过程中通常涉及各种不同品种的狗，每个品种都有其特定的特征、需求和市场价值，因此需要先对狗品种进行鉴别。
2、现有狗类品种检测，大多是应用狗的图像特征进行鉴别，例如申请号为cn202010307109.5的中国专利公开了一种基于卷积神经网络的细粒度犬类图像鉴别方法，通过构建卷积神经网络fg-lanet；之后构建大型预训练图像样本数据库并使用该数据库对网络进行预训练，接着构建犬类图像样本数据库并使用该数据库对网络进行微调训练；最后获得犬类品种鉴别器，使用训练好的卷积神经网络作为犬类品种鉴别器对犬类图像进行鉴别。但是此方法需要狗在温和的状态下进行拍摄近距离拍摄清楚的狗图像，这会对狗造成压力或不适，并且狗的外观可以通过修饰改变，这容易使得图像鉴别出现误差，从而导致图像鉴别准确率低的情况。
3、不同品种的狗通常具有特定的声音特征，因此还可以应用狗吠声音进行品种鉴别。在应用声音鉴别狗种类鉴别时，通常要先提取声音的特征信息再进行鉴别，mfcc是一种用于音频信号处理和语音鉴别的特征提取技术，mfcc通过使用滤波器组和倒谱系数，能够很好地表达音频信号的频谱特性和声学特征。倒谱系数表示音频信号在频率域中的包络信息，具有较好的特征表达能力，这使得mfcc在语音鉴别任务中具有较高的准确性和区分度。而在sru是一种适用于语音鉴
4、为了解决狗类品种鉴别准确率低的问题，提出一种应用mfcc-dsru的狗类品种鉴别方法。
技术实现思路
1、本专利技术的目的在于提供一种应用mfcc-dsru的狗类品种鉴别方法，以解决上述
技术介绍
中的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种应用mfcc-dsru的狗类品种鉴别方法，包括：
4、采集不同品种狗的无噪声狗吠声音，构建无噪声狗吠声音数据集。
5、进一步地，对每个品种的狗至少采集两个狗吠声音数据。
6、对所述无噪声狗吠声音集内的声音元素随机添加噪声，输出噪声狗吠声音数据集。
7、进一步地，所述噪声包括环境噪声和电磁干扰噪声；所述环境噪声包括周围环境的人声、交通声、机械噪声和风声；所述电磁干扰噪声是指电子设备、电源线或电灯产生的的电磁干扰。
8、应用n-drn对所述噪声狗吠声音数据集进行去噪，输出狗吠声音数据集。
9、进一步地所述n-drn包括应用selu作为drn模型的激活函数，并添加dice-mse损失函数构建n-drn模型；所述mish激活函数的表达式为
10、f(x)＝x·tanh(ln(1+ex))
11、其中x表示输入的噪声狗吠声音；所述dice-mse损失函数的表达式为
12、
13、其中，ldice-mse表示dice-mse损失函数的值，m表示输入的噪声狗吠声音数量，表示第i条噪声狗吠声音经过n-drn去噪后的输出值，yi表示第i条噪声狗吠声音对应的无噪声狗吠声音。
14、进一步地，dice-mse损失函数结合了dice系数和mse的特性，dice系数是一种常用的评估指标，用于度量预测结果和真实标签之间的相似度，dice系数对于预测结果的相似性非常敏感，能够准确地度量预测结果与真实值之间的重叠程度，它能够捕捉到预测结果的细微变化。mse是一种回归任务中常用的评估指标和损失函数，用于衡量预测结果与真实值之间的平均绝对差异。mse对异常值和离群点具有一定的鲁棒性。由于mse是平均差异的度量，对于异常值的影响相对较小，能够抵抗一些噪声和干扰。这使得mse在存在噪声或数据不完整性的情况下具有一定的稳定性。dice-mse损失函数同时考虑了预测结果与真实值之间的相似度和绝对差异，这使得模型能够在优化过程中平衡这两个因素，不仅关注相似度的提高，也关注差异的减小。
15、进一步地，所述n-drn对所述噪声狗吠声音进行去噪步骤包括：
16、将噪声狗吠声音数据集划分为训练集和测试集；
17、将所述训练集中的噪声狗吠声音数据进行傅里叶变换；
18、用傅里叶变换后的训练集对n-drn进行训练，通过反向传播算法和随机梯度下降更新n-drn中的参数；
19、在dice-mse损失函数达到最小时，训练结束；否则继续更新参数；
20、输出训练好的n-drn模型；
21、将测试集中的噪声狗吠声音输入训练好的n-drn模型中，并对n-drn模型输出的狗吠声音数据进行傅里叶反变换；
22、输出去噪后的n-drn狗吠声音数据集。
23、应用mfcc-dsru对所述狗吠声音数据集进行鉴别。
24、进一步地，所述mfcc-dsru包含mfcc特征提取模块和dsru鉴别模块；所述mfcc特征提取模块用于提取所述n-drn狗吠声音数据集的mfcc特征，构建mfcc特征数据集；所述dsru鉴别模块用于对所述mfcc特征数据进行鉴别；所述dsru包含两个门控层，所述mfcc特征数据在输入dsru模型后，两个门控层对不同的mfcc特征进行学习，并经过d-tanh激活函数输出特征学习结果；所述特征学习结果输入到全连接层，将加权kl散度损失函数做为分类损失函数进行狗类品种鉴别。
25、dsru的鉴别步骤包括：
26、将所述mfcc特征数据集划分为特征训练集和特征测试集，并对所述特征训练集中的每条mfcc特征数据进行品种标记；
27、应用所述特征训练集对dsru进行训练，将加权kl散度损失函数作为鉴别损失函数；
28、在所述加权kl散度损失函数达到最小时，训练结束；否则继续训练；
29、输出训练好的dsru鉴别模型；
30、将所述特征测试集输入所述训练好的dsru鉴别模型中。
31、进一步地，所述提取狗吠声音mfcc局部特征数据的步骤包括：
32、输入n-drn狗吠声音数据集；
33、通过高通滤波器对所述n-drn狗吠声音数据集中的狗吠声音数据进行预加重，增强高频部分的幅度，减小低频部分的幅度；
34、将所述预加重后的狗吠声音数据分成短时帧，每个所述短时帧之间有重叠；
35、对每个所述短时帧计算短时能量和短时过零率，并应用汉明窗函数对所述短本文档来自技高网...
【技术保护点】
1.一种应用MFCC-DSRU的狗类品种鉴别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述采集无噪声狗吠声音包括对每个品种的狗至少采集两个无噪声狗吠声音数据。
3.根据权利要求1所述的方法，其特征在于，所述噪声狗吠声音数据集包括：
4.根据权利要求1所述的方法，其特征在于，所述N-DRN包括：
5.根据权利要求1所述的方法，其特征在于，所述N-DRN对所述噪声狗吠声音进行去噪步骤包括：
6.根据权利要求1所述的方法，其特征在于，所述提取狗吠声音MFCC特征数据的步骤包括：
7.根据权利要求6所述的方法，其特征在于，所述输出狗吠声音MFCC特征数据包括：
8.根据权利要求1所述的方法，其特征在于，所述DSRU包括：
9.根据权利要求1所述的方法，其特征在于，所述输出狗品种鉴别结果包括：
【技术特征摘要】
1.一种应用mfcc-dsru的狗类品种鉴别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述采集无噪声狗吠声音包括对每个品种的狗至少采集两个无噪声狗吠声音数据。
3.根据权利要求1所述的方法，其特征在于，所述噪声狗吠声音数据集包括：
4.根据权利要求1所述的方法，其特征在于，所述n-drn包括：
5.根据权利要求1所述的方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。