基于人工神经网络的昆虫鸣声识别

《基于人工神经网络的昆虫鸣声识别》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、Vol.27,No.1March,2005基于人工神经网络的昆虫鸣声识别11112姚青，赖凤香，傅强，张志涛，程登发(1.农业部水稻生物学重点实验室，中国水稻研究所，浙江杭州310006；2.植物病虫害生物学国家重点实验室，中国农业科学院植物保护研究所，北京100094)摘要：以常见的7种飞虱雄虫求偶鸣声信号的频率峰值作为输入向量，用人工神经网络来识别它们的鸣声，平均识别率达90.6%。人工神经网络可以用于昆虫鸣声识别。关键词：人工神经网络；飞虱；鸣声；识别+中图分类号：Q969.364.2文献标识码：A文章编号：1000-7482(2005)01-00

2、19-04人工神经网络（ArtificialNeuralNetwork，简称ANN）是在人脑组织结构和运行机[1]制的认识理解基础上模拟人的神经系统而建立起来的非线性动力学模型。由于其具有自组织、自学习和联想记忆等功能，已被广泛应用于模式识别（包括语音识别和图像识[2]别）、经济管理、优化控制等方面。近几年，人工神经网络已被成功的应用于动物声学[3]研究中，如根据海豚、鲸、蝙蝠等的叫声进行种类识别。在昆虫中，主要是用于害虫[4]种群动态预测，而应用于昆虫鸣声识别的例子却不多见。昆虫鸣声具有种的特异性和很高的专一性。在同一种群内，它是稳定的，具有一定的遗传

3、性，是一个重要的生殖隔离因子。大量研究表明，昆虫鸣声特征差异在区分种类、发现近缘种方面有着深刻的理论意义和实践价值，昆虫分类学家通过比较近缘种或不同[5]地理种群的昆虫鸣声特征，可以把鸣声信号作为区分它们的可靠依据之一。然而，有些昆虫的近似种鸣声比较相近，时域和频域特征参数范围存在交叉，这样就很难根据这些参数对它们进行区分。在这种情况下，由于人工神经网络具有学习功能和很强的模式识别能力，通过它对这些特征进行学习训练，就能达到鉴别昆虫鸣声的目的。本文以稻[6]田及其周边生境常见的7种飞虱为例，利用Matlab软件来探讨人工神经网络在昆虫鸣声识别中的应用问题

4、。1材料与方法1.1供试飞虱与鸣声采集水稻及其周边生境常见飞虱共7种：褐飞虱Nilaparvatalugens(Stål)、白背飞虱Sogatellafurcifera(Horvath)、灰飞虱Laodelphaxstriatellus(Fallen)、长绿飞虱Saccharosydneprocerus(Mats.)、稗飞虱Delphacodespanicicol(Ishihara)、黑边黄脊飞虱收稿日期：2003-12-15基金项目：国家自然科学基金项目(30070427)；植物病虫害生物学国家重点实验室开放基金资助1920昆虫分类学报第27卷第1期[

5、7]Toyapropinqua(Fieber)、白颈飞虱Sogatasirokata(Mats.)。利用张志涛等昆虫鸣声信号采集装置记录了上述7种飞虱雄虫求偶鸣声信号，采集到的鸣声分为两组：一组是学习样本，用于人工神经网络学习与训练；另一组是检验样本，用于评价人工神经网络的识别能力。1.2鸣声特征提取及标准化对学习样本进行鸣声特征提取，共分为3组：1）取时间长度为1s的规则波形数据w(i)，i=1,2,…,2500；2）利用Matlab软件对上述7种飞虱雄虫求偶鸣声波形进行傅立叶变换，得到波形的频谱图，取前7个最大的频率峰值f(i)，i=1,2,…,7；

6、3）取7种飞虱雄虫求偶鸣声频谱图中前1024个最大的频率峰值f(i)，i=1,2,…,1024。对上述3组数据分别进行标准化，公式如下：X=(x(i)-xmin)/(xmax-xmin)其中，x(i)分别取w(i)或f(i)；xmin=min(x(i))；xmax=max(x(i))；则X∈[0,1]。标准化后的3组数据分别作为人工神经网络的输入向量。同样，对检验样本也进行上述处理，作为检验人工神经网络的输入向量。每种飞虱输入向量经过人工神经网络学习和训练后，所对应的输出值应该是不同的，假设褐飞虱对应（1000000）、白背飞虱对应（0100000）、灰

7、飞虱对应（0010000）、长绿飞虱对应（0001000）、稗飞虱对应（0000100）、黑边黄脊飞虱对应（0000010）、白颈飞虱对应（0000001）。1.3人工神经网络学习与训练Matlab软件中人工神经网络工具箱提供了神经网络设计和训练的函数及子程序，通过它们可以创建符合条件的人工神经网络。本文采用的是BP人工神经网络，网络模型如图1。P1O1P2O2P3.........PnOm输入层隐藏层输出层图1BP神经网络模型(themodalofBPANN)采用3层BP网络，输出节点为7，收敛目标为0.0001，逻辑关系界定值为0.5；将学习样本中标

8、准化的数据作为输入向量，让BP网络进行学习，经过多次的迭代运算，如果收敛误差达到