基于DE-VRF的豬聲音分類識(shí)別

顧小平 吳 浩 陳佳豪 胡瀟濤 宋 弘

(四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院 四川 宜賓 644000)

0 引 言

當(dāng)前我國(guó)畜牧業(yè)正處于智能化轉(zhuǎn)型關(guān)鍵時(shí)刻,隨著現(xiàn)代養(yǎng)殖業(yè)的規(guī)?；图s化越來(lái)越大,人工智能、大數(shù)據(jù)等創(chuàng)新技術(shù)必將與傳統(tǒng)畜牧業(yè)進(jìn)行融合,并且得到廣泛應(yīng)用。由于我國(guó)養(yǎng)豬業(yè)處于發(fā)展階段,養(yǎng)殖規(guī)模的擴(kuò)大使得傳統(tǒng)的人工觀測(cè)變得更加難以實(shí)現(xiàn),同時(shí)人工觀測(cè)的準(zhǔn)確性和實(shí)時(shí)性也不足[1-2]。因此,利用語(yǔ)音識(shí)別技術(shù)分析豬只異常聲音,對(duì)豬咳嗽聲進(jìn)行識(shí)別,有利于生豬呼吸道疾病的預(yù)警,提高人工效率的同時(shí)也能降低經(jīng)濟(jì)損失[3]。

國(guó)外對(duì)于豬只聲音的研究較早,Hirtum等[4]利用模糊算法對(duì)豬只聲音進(jìn)行分析,數(shù)據(jù)樣本5 319條,對(duì)豬只聲音正確識(shí)別率為79%。Ferrari等[5]通過(guò)分析豬只聲音信號(hào)波形的均方誤差及峰值頻率,發(fā)現(xiàn)正常豬與患病豬之間的聲音差異,從而對(duì)患病豬只進(jìn)行識(shí)別。Chung等[6]提出一種數(shù)據(jù)挖掘解決方案,將其應(yīng)用于生豬疾病監(jiān)測(cè),利用支持向量以及稀疏表示分類器組成的二級(jí)分類結(jié)構(gòu),自動(dòng)檢測(cè)識(shí)別生豬疾病。Zhang等[7]提取了梅爾頻率倒譜系數(shù)和子帶頻譜質(zhì)心作為復(fù)合特征參數(shù),利用支持向量數(shù)據(jù)描述和反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)生豬的五種異常聲音進(jìn)行分類。

目前,國(guó)內(nèi)針對(duì)豬只聲音識(shí)別的研究較少。黎煊等[8]通過(guò)監(jiān)測(cè)豬咳嗽聲進(jìn)行疾病預(yù)警,提出了基于深度信念網(wǎng)絡(luò)的豬咳嗽聲識(shí)別和基于連續(xù)語(yǔ)音識(shí)別技術(shù)的豬連續(xù)咳嗽聲識(shí)別。韓磊磊等[9]利用決策樹支持向量機(jī)模型對(duì)每幀數(shù)據(jù)進(jìn)行識(shí)別,然后結(jié)合模糊推理技術(shù)對(duì)時(shí)間窗口內(nèi)結(jié)果進(jìn)行推理識(shí)別,實(shí)現(xiàn)對(duì)豬只異常聲音進(jìn)行識(shí)別。

隨機(jī)森林算法是Breiman[10]提出的概念,并且證明其不存在過(guò)擬合問題。本文將隨機(jī)森林引入到豬聲音識(shí)別領(lǐng)域,為了能讓分類性能好的決策樹擁有更大的決策權(quán),提出加權(quán)隨機(jī)森林算法,采用差分進(jìn)化算法優(yōu)化模型參數(shù),提取MFCC_F、短時(shí)能量和短時(shí)過(guò)零率特征參數(shù)進(jìn)行特征融合,輸入到DE-VRF模型,實(shí)現(xiàn)對(duì)豬只聲音的分類識(shí)別。

1 數(shù)據(jù)采集與處理

1.1 數(shù)據(jù)采集

本文實(shí)驗(yàn)的數(shù)據(jù)信號(hào)采集地位于四川省某大型養(yǎng)殖場(chǎng),考慮采集聲音的多樣復(fù)雜,選用靈敏度較高GK-MIC03型拾音器作為聲音數(shù)據(jù)采集器,通過(guò)網(wǎng)線傳輸至上位機(jī)存儲(chǔ)。聲音采集在1月至4月豬只多發(fā)病期進(jìn)行,采集7頭60 kg左右的豬只聲音,其中有3頭經(jīng)獸醫(yī)診斷為呼吸道疾病感染,選取豬只咳嗽、尖叫和進(jìn)食聲作為研究對(duì)象,其中:咳嗽聲為患病豬只發(fā)出的聲音;尖叫聲為豬只在打斗或打針時(shí)所發(fā)出的聲音,采集時(shí)需要人為進(jìn)行刺激;進(jìn)食聲為豬只進(jìn)食所發(fā)出的哼唧聲音。經(jīng)養(yǎng)殖場(chǎng)獸醫(yī)協(xié)助,采用Audacity音頻處理軟件對(duì)所采集的豬只聲音進(jìn)行人工分類標(biāo)記,然后對(duì)標(biāo)記后的數(shù)據(jù)進(jìn)行切分,得到豬只聲音樣本800個(gè),其中咳嗽樣本375個(gè)、尖叫樣本195個(gè)、進(jìn)食樣本230個(gè),并將其全部保存為.wav格式供后續(xù)進(jìn)行數(shù)據(jù)處理。

1.2 豬只聲音數(shù)據(jù)預(yù)處理

在進(jìn)行豬只聲音信號(hào)特征提取之前,需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,同語(yǔ)音識(shí)別處理方法類似,包含去噪、分幀加窗和端點(diǎn)檢測(cè)。將特征參數(shù)融合后的輸入DE-VRF模型進(jìn)行訓(xùn)練分類,從而實(shí)現(xiàn)對(duì)豬只咳嗽聲音識(shí)別,其識(shí)別原理流程如圖1所示。

圖1 豬只咳嗽識(shí)別原理流程

1.2.1語(yǔ)音增強(qiáng)

式中:i為當(dāng)前第i層的小波分解;n為分解層數(shù);λ為閾值;α∈[0,+∞)表示調(diào)整參數(shù)。豬只聲音去噪前后對(duì)比如圖2所示。

(a) 去噪前豬只聲音

(b) 去噪后豬只聲音圖2 去噪前后豬只聲音樣本

1.2.2加窗分幀

豬只聲音信號(hào)同語(yǔ)音信號(hào)一樣,是非平穩(wěn)信號(hào),所以在處理時(shí),把它分成較短的幀,每幀中可將其看作穩(wěn)態(tài)信號(hào)。為了幀與幀之間的參數(shù)能夠平穩(wěn)過(guò)渡,應(yīng)在相鄰兩幀之間互相有部分重疊。一般情況下,時(shí)域分幀10～30 ms,因此本文選擇幀長(zhǎng)200、幀移80。在原始豬只聲音信號(hào)上加窗函數(shù)就能實(shí)現(xiàn)聲音信號(hào)的分幀。本文選擇海明窗(Hamming)作為窗函數(shù),由于海明窗的加權(quán)系數(shù)能夠抑制旁瓣大小,能夠讓信號(hào)幀與幀之間連續(xù)性較好,其窗函數(shù)如下:

1.2.3端點(diǎn)檢測(cè)

端點(diǎn)檢測(cè)的目的是為了找出語(yǔ)音信號(hào)的起始點(diǎn),提高聲音信號(hào)的識(shí)別率。選擇基于短時(shí)能量的方法進(jìn)行端點(diǎn)檢測(cè)。對(duì)于豬只三種聲音樣本x(n),幀長(zhǎng)C,其中第v幀聲音信號(hào)表示為xv(n),此時(shí)豬只聲音短時(shí)能量Ev計(jì)算公式如下:

單參數(shù)雙門限檢測(cè)法,其中單參數(shù)是指幅值歸一化后的短時(shí)能量ev,如式(4)所示。

雙門限設(shè)置T1和T2兩個(gè)閾值,分別為T1=0.01、T2=0.002,當(dāng)豬只聲音樣本短時(shí)能量ev高于T1時(shí)認(rèn)為是有效信號(hào)部分,即語(yǔ)音幀,當(dāng)短時(shí)能量高于或低于T2時(shí)認(rèn)為是樣本的起始點(diǎn)。

2 特征提取

特征參數(shù)提取包括時(shí)域和頻域特征,本文時(shí)域特征采用短時(shí)能量、短時(shí)過(guò)零率,頻域采用主流MFCC(Mel Frequency Cepstral Coefficients)系數(shù)為主,并在此基礎(chǔ)上進(jìn)行改進(jìn)與組合。

2.1 時(shí)域特征提取

短時(shí)能量(Short-term Energy,E)即每一幀豬只聲音信號(hào)能量大小,假設(shè)豬只聲音信號(hào)x(n),其中第v幀聲音信號(hào)為xv(n),表示為:

xv(n)=w(n)×x((v-1)×inc+n)

(5)

式中:1≤n≤C,1≤v≤L,C為幀長(zhǎng),L為豬只聲音分幀后的總幀數(shù);inc表示幀移;m為豬只聲音分幀后的總幀數(shù)。再采用式(3)即可計(jì)算短時(shí)能量。

短時(shí)過(guò)零率(Zero-Crossing Rate,Z)即豬只聲音信號(hào)穿過(guò)橫軸的次數(shù),其表示為:

2.2 改進(jìn)MFCC特征提取

梅爾頻率倒譜系數(shù)(MFCC)的原理是基于人對(duì)聲音的感知規(guī)律,來(lái)分析聲音的頻譜特性,相比其他特征參數(shù),更符合要求。它與頻率的關(guān)系公式如下:

式中:fmel為梅爾頻率;f為實(shí)際頻率。MFCC特征參數(shù)的提取包括傅里葉變換、Mel濾波器組、對(duì)數(shù)運(yùn)算、離散余弦變換。

本文采用24維MFCC_F特征參數(shù),由MFCC與其一階差分(ΔMFCC)進(jìn)行組合,其中MFCC_F與MFCC和ΔMFCC關(guān)系為:

FMFCC=MFCC+ΔMFCC

(8)

2.3 特征參數(shù)融合

短時(shí)能量(Ev)能夠很好地表征豬只聲音之間的區(qū)別,對(duì)于豬只異常聲音分幀之后,每一幀豬只聲音信號(hào)能量大小即短時(shí)能量。短時(shí)過(guò)零率(Zv)即聲音波形經(jīng)過(guò)水平軸的情況,能夠表征豬只聲音信號(hào)一部分頻率信息。因單維數(shù)的時(shí)域特征很難表征信號(hào)的特點(diǎn),為了提高聲音識(shí)別率,本文將24維MFCC_F特征參數(shù)與單維短時(shí)能量(Ev)和短時(shí)過(guò)零率(Zv)進(jìn)行特征融合,考慮到三者數(shù)量級(jí)相差較大,因此將其分別歸一化后,構(gòu)成特征融合參數(shù)P,P=[FMFCC,Ev,Zv]。

3 基于DE-VRF分類識(shí)別

3.1 隨機(jī)森林

隨機(jī)森林[12-13]是在決策樹算法基礎(chǔ)上的一種改進(jìn),將多個(gè)決策樹合并在一起,其中每棵樹都是獨(dú)立的樣本集,如圖3所示。隨機(jī)森林[12]分類算法采用CART作為基分類器,其中每棵決策樹都采用裝袋算法(Bagging),即隨機(jī)從N個(gè)數(shù)據(jù)樣本集中選擇n個(gè)樣本,然后在所有M個(gè)決策屬性中,隨機(jī)選取mtry個(gè)進(jìn)行決策屬性分裂(其中mtry

fk(X)=ii=1,2,…,C

(9)

RF分類模型的輸出為:

圖3 隨機(jī)森林算法流程

3.2 加權(quán)隨機(jī)森林

加權(quán)隨機(jī)森林[12]是指在傳統(tǒng)的RF模型基礎(chǔ)上,對(duì)每一個(gè)決策樹進(jìn)行加權(quán)優(yōu)化,它能夠有效避免因決策樹分類性能不同而對(duì)整個(gè)模型產(chǎn)生影響,提高模型的分類精度。隨機(jī)森林K個(gè)決策樹的權(quán)值為v1,v2,…,vk。將待訓(xùn)練樣本數(shù)據(jù)分為兩部分,第一部分?jǐn)?shù)據(jù)用傳統(tǒng)方法進(jìn)行訓(xùn)練,第二部分?jǐn)?shù)據(jù)用傳統(tǒng)的方法訓(xùn)練完成后的決策樹進(jìn)行測(cè)試,將測(cè)試的正確率作為權(quán)值,表示為:

式中:Xc,k為第k棵樹分類正確的樣本數(shù)量;X為測(cè)試樣本。

在進(jìn)行決策投票之前,每棵決策樹都將乘以權(quán)值,其加權(quán)隨機(jī)森林模型輸出為:

3.3 差分進(jìn)化優(yōu)化加權(quán)隨機(jī)森林模型

3.3.1差分進(jìn)化算法

差分進(jìn)化算法(Differential Evolution,DE)[14]具有較好的全局優(yōu)化能力,其基本思想是:隨機(jī)產(chǎn)生一個(gè)初始種群,通過(guò)群體上不斷地進(jìn)行變異、交叉操作,產(chǎn)生新個(gè)體,然后將新個(gè)體與當(dāng)代種群中相應(yīng)的個(gè)體相比較,選擇適應(yīng)度表現(xiàn)較好的個(gè)體,經(jīng)過(guò)數(shù)次迭代更新之后求得最優(yōu)解。其具體為:

(1) 種群初始化。設(shè)置種群規(guī)模(Np),決策變量個(gè)數(shù)(D),每個(gè)個(gè)體都是D維向量。初始化形式如下:

(2) 變異操作。變異操作是DE算法中最核心的操作,按照某種方式隨機(jī)對(duì)種群個(gè)體進(jìn)行變換,獲得變異個(gè)體Ui(t)={u(i,1),u(i,2),L,u(i,D)},這里選擇按照式(14)產(chǎn)生變異變量:

ui(t)=Xa(t)+F·[Xb(t)-Xc(t)]

(14)

式中:下標(biāo)i,a,b,c∈{1,2,L,Np}為互不相同的整數(shù);F為比例縮放因子。

(3) 交叉操作。交叉是為了增加種群的多樣性。就是將種群個(gè)體Xi(t)與變異個(gè)體ui(t)交叉生成實(shí)驗(yàn)個(gè)體Vi(t)={v(i,1),v(i,2),L,v(i,D)}的過(guò)程,每一代交叉方式如下:

式中:CR為交叉概率;jrand∈{1,2,L,D}是一個(gè)隨機(jī)選取的整數(shù)。

(4) 選擇操作。從目標(biāo)個(gè)體Xi(t)與交叉操作產(chǎn)生實(shí)驗(yàn)個(gè)體Vi(t)中選擇適應(yīng)度表現(xiàn)較優(yōu)的個(gè)體,構(gòu)成下一代種群,選擇方式如下:

式中:f(·)為適應(yīng)度函數(shù)。

3.3.2差分進(jìn)化優(yōu)化加權(quán)隨機(jī)森林

本文將差分進(jìn)化引入到加權(quán)隨機(jī)森林模型進(jìn)行優(yōu)化,實(shí)現(xiàn)對(duì)豬只聲音分類識(shí)別,其具體步驟為:(1) 始化算法參數(shù),隨機(jī)設(shè)置分裂屬性mtry、決策樹棵數(shù)K、預(yù)測(cè)試樣本X;(2) 通過(guò)Bootstrap算法采樣,隨機(jī)生成訓(xùn)練樣本,并從每個(gè)訓(xùn)練樣本中確定預(yù)測(cè)試樣本X;(3) 然后將每一個(gè)訓(xùn)練樣本剩余樣本分別生成K棵決策樹,并且每次均從全部屬性M中選擇mtry個(gè)屬性作為決策屬性;(4) 判斷節(jié)點(diǎn)內(nèi)樣本數(shù)是否小于零,返回決策樹投票決定的分類結(jié)果;(5) 生成決策樹后,對(duì)其每棵決策樹進(jìn)行測(cè)試,采用式(11)計(jì)算權(quán)值,式(12)計(jì)算分類模型輸出結(jié)果;(6) 將輸出結(jié)果作為適應(yīng)度函數(shù),采用差分進(jìn)化算法對(duì)第一步中參數(shù)迭代優(yōu)選;(7) 判斷是否達(dá)到迭代次數(shù),然后輸出模型參數(shù),生成優(yōu)化加權(quán)隨機(jī)森林;其流程如圖4所示。

圖4 DE-VRF算法流程

4 實(shí)驗(yàn)結(jié)果與分析

本文選取豬只三種聲音共計(jì)800段,其中訓(xùn)練和測(cè)試樣本占比為4 ∶1,采用2個(gè)指標(biāo)來(lái)衡量實(shí)驗(yàn)結(jié)果,分別為識(shí)別準(zhǔn)確率(正確識(shí)別豬只聲音樣本占該類聲音樣本總數(shù)百分比)和總識(shí)別率(正確識(shí)別的三種豬只聲音樣本占聲音總數(shù)百分比),兩者能很好地表征模型性能。通過(guò)多次實(shí)驗(yàn),設(shè)置種群維度D為3,進(jìn)化迭代次數(shù)G為100,變異比例因子F為0.8,交叉概率CR為0.3,由分裂屬性mtry、決策樹棵樹K和預(yù)測(cè)試樣本率組成空間向量(mtry,K,X),mtry∈[1,10],K∈[1,100],X=[0.1,0.6],將該空間向量作為差分進(jìn)化算法中的個(gè)體,通過(guò)DE迭代優(yōu)化選取較優(yōu)的個(gè)體,確定模型的參數(shù),最終實(shí)驗(yàn)結(jié)果由加權(quán)后決策樹投票得到。

4.1 模型參數(shù)的影響

為了驗(yàn)證模型參數(shù)對(duì)VRF模型的影響,圖5-圖7所示分別為分裂屬性數(shù)目mtry、決策樹數(shù)目K和預(yù)測(cè)試樣本率X與平均識(shí)別正確率之間的關(guān)系。

圖5 分裂屬性對(duì)VRF影響

可以看出,在其他參數(shù)一定時(shí),識(shí)別正確率隨著分裂屬性mtry數(shù)目增加而增加,并且到達(dá)一定數(shù)目時(shí)達(dá)到最優(yōu)。

圖6 決策樹數(shù)目對(duì)VRF影響

可以看出,隨著決策樹數(shù)目K增加,在其他參數(shù)一定時(shí),平均識(shí)別率增加,并且到達(dá)一定數(shù)目時(shí)識(shí)別正確率趨于穩(wěn)定。

圖7 預(yù)測(cè)試樣本率對(duì)VRF影響

可以看出,在其他參數(shù)一定時(shí),隨著預(yù)測(cè)試樣本率的增加,識(shí)別正確率呈現(xiàn)先增后減。

4.2 識(shí)別結(jié)果

差分進(jìn)化迭代優(yōu)化結(jié)果如圖8所示,迭代50次趨于收斂。經(jīng)差分進(jìn)化優(yōu)化之后模型的參數(shù)mtry為6、K為70、X為0.3時(shí),加權(quán)隨機(jī)森林模型識(shí)別效果最優(yōu),將測(cè)試樣本數(shù)據(jù)輸入到DE-VRF模型進(jìn)行識(shí)別驗(yàn)證,當(dāng)模型輸入特征參數(shù)為MFCC系數(shù)、MFCC_F系數(shù)及其組合系數(shù)時(shí),其識(shí)別結(jié)果如表1所示。

圖8 DE最優(yōu)個(gè)體適應(yīng)度值曲線

表1 不同特征組合實(shí)驗(yàn)結(jié)果(%)

由表1中數(shù)據(jù)可知,MFCC_F特征參數(shù)的咳嗽性能優(yōu)于原始參數(shù),其識(shí)別效果提升了3.97百分點(diǎn)。對(duì)每個(gè)組合特征進(jìn)行實(shí)驗(yàn),結(jié)果表明,MFCC_F特征參數(shù)、短時(shí)能量、短時(shí)過(guò)零率進(jìn)行特征融合時(shí),識(shí)別準(zhǔn)確率效果最佳,平均達(dá)到96.57%,總識(shí)別率達(dá)96.59%。因此,輸入特征融合參數(shù)可以很好地用于豬只聲音分類。

為便于分析,測(cè)試結(jié)果以混淆矩陣的形式進(jìn)行表示(表2),其中,每一行為樣本數(shù)據(jù)的真實(shí)值,每一列為樣本數(shù)據(jù)的預(yù)測(cè)值,兩者都以百分比的形式展現(xiàn),混淆矩陣能夠很好地反映DE-VRF模型的性能。表2中,主對(duì)角線上元素表示每類樣本的識(shí)別正確率,其余為誤識(shí)別率。表2結(jié)果證明了將DE-VRF模型用于豬聲音分類的可行性。

表2 DE-VRF模型下實(shí)驗(yàn)結(jié)果的混淆矩陣

4.3 特征參數(shù)降維優(yōu)化

在豬只聲音識(shí)別過(guò)程中,由MFCC_F+Ev+Zv特征融合后的26維的特征參數(shù)取得較好的識(shí)別效果,但由于過(guò)高的維度,使得系統(tǒng)計(jì)算更繁瑣。為了提高計(jì)算效率,并且提煉出更有效的特征參數(shù),本文將引入主成分分析法(PCA)[15]進(jìn)行特征參數(shù)降維優(yōu)化。其實(shí)現(xiàn)過(guò)程如下:

設(shè)定實(shí)驗(yàn)樣本數(shù)目總數(shù)為n,特征參數(shù)維數(shù)為m,X為數(shù)據(jù)樣本,計(jì)算變量的協(xié)方差矩陣D,矩陣D中元素表示為:

由此協(xié)方差D的特征值和特征向量表示為:

將特征值按照從大到小進(jìn)行排序,選擇其中前k個(gè)特征值對(duì)應(yīng)的主成分,k值由特征值累計(jì)貢獻(xiàn)率σk確定,計(jì)算公式為:

當(dāng)組合特征參數(shù)的維數(shù)貢獻(xiàn)率大于95%時(shí),可認(rèn)為該新構(gòu)成的特征參數(shù)能夠有效替代原參數(shù),其組合特征參數(shù)維數(shù)與貢獻(xiàn)率的關(guān)系如圖9所示。

圖9 特征參數(shù)的維數(shù)貢獻(xiàn)率

由圖9可知,PCA降維之后,在累計(jì)貢獻(xiàn)率為95.5%時(shí),特征參數(shù)由原來(lái)的26維降至13維,基本上保留了原始數(shù)據(jù)信息,因此,降維后的組合特征參數(shù)可以代替原參數(shù)進(jìn)行識(shí)別。其降維前后識(shí)別效果對(duì)比如表3所示。

表3 降維前后識(shí)別效果對(duì)比

可以看出,引入主成分分析法實(shí)現(xiàn)組合特征降維優(yōu)化之后,測(cè)試時(shí)間降低了近一半,不僅降低了模型的復(fù)雜度,同時(shí)識(shí)別效果較降維之前,僅降低了0.5百分點(diǎn)。因此,本文采用的組合特征降維后能夠有效提高模型計(jì)算效率。

4.4 與其他算法對(duì)比

為了對(duì)比本文模型的識(shí)別效果,分別選取深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)和一維卷積神經(jīng)網(wǎng)絡(luò)(One-Dimensional Convolutional Neural Network,1D-CNN)對(duì)豬只聲音進(jìn)行識(shí)別并與DE-VRF模型識(shí)別結(jié)果進(jìn)行比較。其識(shí)別對(duì)比如表4所示。

表4 不同算法識(shí)別效果對(duì)比

可以看出,DNN模型具有一定的識(shí)別正確率,達(dá)95.57%,但測(cè)試時(shí)間較長(zhǎng)。1D-CNN模型雖然測(cè)試時(shí)間最短,但是測(cè)試集平均識(shí)別率僅為93.85%。而基于DE-VRF的豬只聲音分類識(shí)別模型的平均識(shí)別率在3種模型中最高,達(dá)96.34%。這表明本文方法能克服隨機(jī)森林中決策樹統(tǒng)一決策權(quán)的缺陷,具有更好的識(shí)別率和更為優(yōu)越的性能,能夠有效地解決生豬異常監(jiān)測(cè)識(shí)別問題。

5 結(jié) 語(yǔ)

本文對(duì)生豬聲音進(jìn)行分類識(shí)別,采集豬只咳嗽、尖叫和進(jìn)食3種與生豬身體狀況相關(guān)的聲音作為研究對(duì)象,在對(duì)聲音信號(hào)進(jìn)行預(yù)處理后,提取改進(jìn)特征參數(shù)MFCC_F與短時(shí)能量和短時(shí)過(guò)零率進(jìn)行特征融合,采用DE-VRF作為識(shí)別模型,對(duì)豬只咳嗽聲音進(jìn)行識(shí)別。實(shí)驗(yàn)表明,特征參數(shù)融合后可以很好地用于豬只異常聲音分類。將隨機(jī)森林引入豬只聲音分類識(shí)別領(lǐng)域,采用差分進(jìn)化優(yōu)化加權(quán)隨機(jī)森林,避免因隨機(jī)森林中決策樹統(tǒng)一決策而造成影響。實(shí)驗(yàn)表明,基于DE-VRF豬只聲音分類識(shí)別網(wǎng)絡(luò)能夠較好地收斂。本文通對(duì)比2種不同實(shí)驗(yàn)?zāi)Ｐ?分析3種豬只聲音,特征融合參數(shù)經(jīng)PCA降維之后,由實(shí)驗(yàn)驗(yàn)證表明,基于DE-VRF的豬只聲音平均識(shí)別率達(dá)到96.34%,總識(shí)別率為96.15%。