Ngày nhận bài: 25-11-2024
Ngày duyệt đăng: 31-07-2025
Ngày xuất bản: 31-07-2025
Lượt xem
Download
Cách trích dẫn:
SO SÁNH MỘT SỐ PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG VÀ PHÂN LỚP CHO DỮ LIỆU ÂM THANH ONG
,
Nguyễn Văn Hoàng
1
Từ khóa
MFCC, Chroma, Wavelet, Rừng ngẫu nhiên, XGBoost, phân loại âm thanh ong
Tóm tắt
Trong bài viết này, chúng tôi tiến hành thử nghiệm và đánh giá một số phương pháp trích chọn đặc trưng cho dữ liệu âm thanh ong. Các đặc trưng được trích chọn bằng các kỹ thuật MFCC, Chroma, Wavelet và các đặc trưng quan trọng được lựa chọn bằng phương pháp Rừng ngẫu nhiên, Extra trees, XGBoost từ dữ liệu ban đầu sau đó các đặc trưng này được cung cấp cho các thuật toán học máy như SVM, Rừng ngẫu nhiên, XGBoost để giải quyết bài toán nhận dạng tiếng ong. Kết quả thử nghiệm cho thấy với mô hình Rừng ngẫu nhiên và XGBoost sử dụng đặc trưng MFCC việc phân biệt tiếng ong là hoàn toàn khả thi với độ chính xác trên 99,9%.
Tài liệu tham khảo
Abdalla M.I. & Ali H.S. (2010). Wavelet-Based Mel-Frequency Cepstral Coefficients for Speaker Identification using Hidden Markov Models. Telecommunications. 1(2): 16-21.
Breiman L. (2001). Random forests. Machine Learning. 45(1): 5-32.
Bromenshenk J.J., Henderson C.B., Seccomb R.A., Rice S.D. & Etter R.T. (2009). Honey bee acoustic recording and analysis system for monitoring hive health. Google Patents.
Davis S. & Mermelstein P. (1980). Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences, IEEE Transactions on Acoustics, Speech, and Signal Processing. 28(4): 357-366.
Du N.H., Dong N.D., Luu V.T., Hoang N.V., Thai P.H., Ngoc P.T., Long N.V. & Hong P.T.T. (2020). Toward Audio Beehive Monitoring Based on IoT-AI techniques: A Survey and Perspective, Vietnam Journal of Agricultural Sciences. 3(1): 530-540.
Geurts P., Ernst D. & Wehenkel L. (2006). Extremely randomized trees. Machine learning, 63(1): 3-42.
Kattel M., Nepal A., Shah A.K. & Shrestha D. (2019). Chroma feature extraction. Conference: Chroma Feature Extraction using Fourier Transform. 20(1).
Kulyukin V. (2018). BeePi: A Multisensor Electronic Beehive Monitor Retrieved. Truy cập từ https://www.kickstarter.com/projects/beepihoneybeesmeetai/beepi-a-multisensor-electronic-beehive-monitor ngày 10/9/2021.
Kulyukin V., Mukherjee S. & Amlathe P. (2018). Toward audio beehive monitoring: Deep learning vs. standard machine learning in classifying beehive audio samples. Applied Sciences. 8(9): 1573.
Kuo B.C., Ho H.H., Li C.H., Hung C.C. & Taur J.S. (2013). A kernel-based feature selection method for SVM with RBF kernel for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 7(1): 317-326.
Mallat S.G. (1989). A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 11(7): 674-693.
Mather P. & Tso B. (2016). Classification methods for remotely sensed data. CRC press.
Nolasco I., Terenzi A., Cecchi S., Orcioni S., Bear H.L. & Benetos E., (2019). Audio-based identification of beehive states. ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE. pp. 8256-8260.
Python (2021). Truy cập từ https://www.python.org/ ngày 20/6/2021.
Robles-Guerrero A., Saucedo-Anaya T., González-Ramérez E. & Galván-Tejada C.E. (2017). Frequency Analysis of Honey Bee Buzz for Automatic Recognition of Health Status: A Preliminary Study. Research in Computing Science 142: 89-98.
Scikit-Learn (2021). Truy cập từ https://scikit-learn.org ngày 20/6/2021.
Terenzi A., Cecchi S., Orcioni S. & Piazza F. (2019). Features extraction applied to the analysis of the sounds emitted by honey bees in a beehive. 2019 11th International Symposium on Image and Signal Processing and Analysis (ISPA). IEEE. pp. 03-08.
Vũ Hữu Tiệp (2021). Random Forest algorithm. Truy cập từ https://machinelearningcoban.com/ tabml _book/ch_model/random_forest.html ngày 12/5/2021.