基于小波与神经网络的抹香鲸与长鳍鲸声纹识别

本文是一篇研究论文，主要探讨了利用连续小波变换（Continuous Wavelet Transform, CWT）和人工神经网络（Artificial Neural Network, ANN）技术对抹香鲸（Sperm whale）和长鳍鲸（Long-finned pilot whale）的生物声学信号——点击（clicks）进行分类的方法。随着被动声学监测在鲸类研究中的应用日益广泛，准确识别不同种类鲸鱼的语音特征变得至关重要。点击是齿鲸类，如抹香鲸和长鳍鲸的主要发声模式，它们的音调、频率和时间结构可以提供丰富的生物学和生态学信息。 文章首先介绍了背景，指出传统的鲸类声音分析可能面临复杂性及噪声干扰的问题，而CWT作为时频分析工具，能够捕捉信号的局部特性，有助于提取鲸类点击的高频细节。接着，作者提出使用ANN的优势，它能够处理非线性关系并自适应地学习复杂的信号模式，对于分类任务具有很高的潜力。 研究方法部分详细描述了如何将CWT应用于鲸鱼点击信号的特征提取，包括选取合适的基函数、计算时频系数以及处理数据预处理步骤。然后，作者构建了一个或多个人工神经网络架构，可能包括多层感知器（Multilayer Perceptron, MLP）、卷积神经网络（Convolutional Neural Network, CNN）或者循环神经网络（Recurrent Neural Network, RNN），用于训练和测试点击分类的准确性。 实验部分可能会展示分类器的性能，包括训练集和测试集的划分，不同参数调整对性能的影响，以及与传统方法（如基于谱分析或统计模型的方法）的比较。结果部分会呈现分类的精度、召回率、F1分数等指标，同时可能讨论分类的稳健性和鲁棒性。 论文最后部分会讨论研究的意义，如在鲸类生态学研究中的应用，对鲸类行为理解的提升，以及可能的技术改进和未来的研究方向。此外，它还可能强调了数据共享和国际合作的重要性，以促进鲸类保护和科学研究的发展。 这篇研究论文为鲸类声学识别技术提供了一种创新的方法，展示了如何结合连续小波变换和人工神经网络来有效地对抹香鲸和长鳍鲸的点击信号进行分类，从而为更深入的生物学和生态学研究奠定了基础。