主成分分析在回声定位声波识别中的应用

    蝙蝠是世界上分布最广、进化最成功的哺乳动物类群之一.近年来,蝙蝠种群数量逐年下降[1-2].蝙蝠种群的探测与种类的识别对于明确蝙蝠捕食环境和有效开展蝙蝠保护工作具有重要意义.目前主要通过蝙蝠形态特征鉴定蝙蝠的种类,鉴定的准确度主要依赖于研究者的经验和能力[3].

    蝙蝠在黑暗中飞翔是利用回声定位进行导航的.不同种类的蝙蝠,身体的外部形态和内部结构不同,在不同的区域利用不同的捕食方式,逐渐形成与其行为相适应的回声定位声波与发声系统[4].

    近年来,国内外研究者通过回声定位声波对蝙蝠识别和分类,取得了较大进展.以往,蝙蝠的声学研究通常使用多变量统计,测量的参数包括时间、频率等.通过这种手段可大致判断出蝙蝠的种类,但其适应范围和准确性都有一定的局限性[5-6].

    人工神经网络具有良好的容错能力、分类能力强及并行处理能力和自学习能力,被广泛应用于模式识别.笔者应用目前较为成熟且广泛使用的前向反馈(Back Propagation,简称BP)网络来实现蝙蝠的识别.

    1 特征提取

    对识别或分类来说,关键在于提取模式中有效的分类特征.有效分类特征就是不同模式类差别较大的特征.这些特征在原始特征域通常不易被观察或检测.特征提取就是通过变换的方法,使这些重要特征在变换域显示出来,去掉对分类无意义的信息.被识别或分类的信号一般都是非平稳或突变信号,通常包含长时低频和短时高频的信号,用于分类的特征往往包含在局部的时频信号中,因而小波包算法在特征提取中具有良好的应用潜力.

    用小波包提取特征参数的步骤为[7]:¹对每个样本进行3层小波包分解,提取第3层8个频率通道的信号特征X3j(j=0,1,,,7);º重构小波包分解系数,提取各频带范围的信号;»求各频段信号的能量E3j;¼构造特征向量空间[E30,E31,E32,E33,E34,E35,E36,E37].

    由于神经网络输入的一维代表一个特征,所以当神经网络的输入是多维时,要识别的模式有多个特征.当多个特征的数据相差很大,如几个数量级时,就需要归一化,变成相同数量级,以防某些数值低的特征被淹没,同时也方便数据处理.能量向量进行归一化处理,把数据映射到0~1范围之内.采用能量归一化,即归一化后各参数平方和为一.令

    则T = [T0,T1,T2,T3,T4,T5,T6,T7].

    2 主成分分析法降维

    主成分分析利用降维的思想,把多指标转化为少数几个综合指标.它是一个线性变换,通过这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第1大方差在第1个坐标(称为第1主成分)上,第2大方差在第2个坐标(第2主成分)上,依次类推.主成分分析在减少数据集维数的同时保持了数据集对方差贡献最大的特征,这是通过保留低阶主成分忽略高阶主成分实现的.低阶成分往往能够保留数据最重要方面.