《表2 不同声音类型的分类结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于声谱图纹理特征的蛋鸡发声分类识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

不同声音类型的分类识别结果见表2，风机噪声的灵敏度最高，为99.3%，鸣叫声的灵敏度最低，为76.0%，分析原因可能是机械噪声的振动发声机理与动物发声机理相比有较大差异，且前者声谱图中声纹变化单一，比较容易区分[27]。在机器学习中尤其是统计分类中，混淆矩阵（Confusion matrix，也称为错误矩阵(Error matrix）)对角线位置数值为TP声音样本数量，矩阵的每一列表示BPNN分类器对于声音样本的类别预测（对角线之外的数值为FP声音样本数量），每一行则表示声音样本的真实类别（对角线之外的数值为FN声音样本数量），从表3的混淆矩阵来看，33个鸣叫声被错误地分类成应激叫声，导致应激叫声和鸣叫声的灵敏度较低，分析原因可能是同这两类声音的界定和标记音频时人为的主观判断有一定关联。此外，产蛋叫声、风机噪声和饮水声的精确度较高，分别为98.6%、98.7%和97.4%，而应激叫声和鸣叫声的精确度较低，分别为78.9%和87.7%，导致该分类结果的原因可能是产蛋叫声、风机噪声和饮水声同其他类型声音的界定清晰，较容易实现快速、准确的音频标记；而应激叫声和鸣叫声则不容易实现准确的人工标记操作，部分鸣叫声和应激叫声之间存在混淆。