本發(fā)明的涉及一種設(shè)施養(yǎng)殖羊應(yīng)激行為的監(jiān)測(cè)方法，通過分析羊叫聲信號(hào)特征來識(shí)別羊只相應(yīng)的應(yīng)激行為，屬于農(nóng)業(yè)工程測(cè)試技術(shù)領(lǐng)域。

背景技術(shù)：

聲信號(hào)是家畜進(jìn)行交流的重要途徑，設(shè)施養(yǎng)殖舍內(nèi)羊叫聲信號(hào)包含了對(duì)其內(nèi)部機(jī)體狀況和需求的信息反饋，如羊只在打斗、饑餓、咳嗽、啃咬和尋伴時(shí)，都會(huì)發(fā)出不同的叫聲信號(hào)。雖然不同種類畜禽的叫聲各異，但共性是其聲信號(hào)的變化與受到的外部刺激、內(nèi)分泌以及飲食、饑渴等條件影響有一定的相關(guān)性。目前，畜禽叫聲信息作為動(dòng)物福利評(píng)價(jià)指標(biāo)有一定的應(yīng)用，且畜禽發(fā)聲監(jiān)測(cè)方法與傳統(tǒng)生理生化參數(shù)指標(biāo)檢測(cè)方法相比，它具有無接觸、非侵入的優(yōu)點(diǎn)。因此，利用聲信號(hào)數(shù)字化處理技術(shù)，對(duì)設(shè)施養(yǎng)殖羊叫聲信號(hào)進(jìn)行采集、特征參數(shù)提取和分類識(shí)別，建立羊叫聲信號(hào)特征參數(shù)與羊只不同應(yīng)激行為之間的相關(guān)性，進(jìn)行設(shè)施羊舍內(nèi)羊只應(yīng)激行為的統(tǒng)計(jì)分析并與環(huán)境調(diào)控相結(jié)合，對(duì)于構(gòu)建設(shè)施福利化養(yǎng)羊系統(tǒng)及羊只的健康狀況監(jiān)測(cè)等具有明顯的現(xiàn)實(shí)意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于，提供一種羊只在不同應(yīng)激行為下的叫聲信號(hào)監(jiān)測(cè)方法，主要監(jiān)測(cè)羊只的打斗、饑餓、咳嗽、啃咬和尋伴叫聲信號(hào)，實(shí)現(xiàn)對(duì)羊叫聲信號(hào)的特征參數(shù)提取并進(jìn)行分類識(shí)別，達(dá)到設(shè)施養(yǎng)殖羊只應(yīng)激行為的無接觸自動(dòng)化監(jiān)測(cè)。

本發(fā)明的技術(shù)方案是：一種設(shè)施養(yǎng)殖羊應(yīng)激行為的聲信號(hào)監(jiān)測(cè)方法，其特征在于，包括以下步驟：

第一步、聲音信號(hào)采集：將聲音傳感器安裝在設(shè)施羊舍的中間位置，采集羊在不同應(yīng)激行為下的叫聲信號(hào)；

第二步、預(yù)處理：對(duì)羊叫聲信號(hào)進(jìn)行預(yù)處理；

第三步：特征參數(shù)提?。禾崛⊙蚪新曅盘?hào)特征參數(shù)，并對(duì)提取的特征參數(shù)進(jìn)行加權(quán)；

第四步：建立識(shí)別模型：建立羊叫聲信號(hào)的識(shí)別模型，將羊叫聲信號(hào)中的一部分用于模型訓(xùn)練，得到模型參數(shù)；

第五步：統(tǒng)計(jì)識(shí)別結(jié)果：對(duì)羊叫聲信號(hào)進(jìn)行分類識(shí)別，統(tǒng)計(jì)設(shè)施羊舍內(nèi)叫聲信號(hào)的類別和數(shù)量，用于設(shè)施羊舍的福利化狀況評(píng)價(jià)。

所述的第二步“預(yù)處理”包括：羊叫聲信號(hào)的預(yù)加重、分幀、加窗、小波去噪以及端點(diǎn)檢測(cè)，其中小波去噪的閾值函數(shù)采用了一種調(diào)整因子的平滑函數(shù)，適合于設(shè)施羊舍的風(fēng)機(jī)去噪。

所述的第三步“提取特征參數(shù)”包括以下流程：

(1)對(duì)所述羊叫聲信號(hào)x(n)進(jìn)行離散傅里葉變換，得到能量譜x(k)，再進(jìn)行Mel頻率濾波、Log對(duì)數(shù)處理，得到羊叫聲信號(hào)的對(duì)數(shù)能量S(m)；

(2)對(duì)所述對(duì)數(shù)能量S(m)進(jìn)行離散余弦變換求倒譜，得到12維羊叫聲信號(hào)梅爾頻率倒譜系數(shù)(MFCC)，即聲信號(hào)特征參數(shù)C(n)；求MFCC特征參數(shù)C(n)的一階差分，得到24維的羊叫聲信號(hào)的混合MFCC；

(3)對(duì)所述混合MFCC特征參數(shù)進(jìn)行CF比特征加權(quán)，得到12維的羊叫聲信號(hào)特征參數(shù)。

所述的第三步“提取特征參數(shù)”中的特征加權(quán)方法是：

(1)計(jì)算羊不同類別叫聲信號(hào)的特征參數(shù)均值方差與同一類別叫聲信號(hào)特征參數(shù)均值的方差之和的比值F；

(2)計(jì)算羊叫聲信號(hào)的MFCC每維特征分量與其它維特征分量之間距離D；

(3)羊叫聲信號(hào)的MFCC各維特征分量的加權(quán)值CF＝F/D。

所述的第四步的具體方法是：建立羊叫聲信號(hào)識(shí)別的隱馬爾科夫鏈/神經(jīng)網(wǎng)絡(luò)模型(HMM/ANN)，利用HMM模型中的Viterbi解碼算法產(chǎn)生羊叫聲信號(hào)的最佳狀態(tài)轉(zhuǎn)移序列輸出概率，將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入，BP神經(jīng)網(wǎng)絡(luò)為三層網(wǎng)絡(luò)，其輸出為羊叫聲信號(hào)的類別。

所述的第五步的具體方法是：對(duì)設(shè)施養(yǎng)殖場(chǎng)的羊叫聲進(jìn)行識(shí)別，并自動(dòng)統(tǒng)計(jì)每天羊叫聲的類別與其對(duì)應(yīng)數(shù)量，當(dāng)某天羊叫聲類別的對(duì)應(yīng)數(shù)量發(fā)生較大變化時(shí)，進(jìn)行人工預(yù)警。

所述的聲音傳感器安裝在設(shè)施羊舍的2m高的中間位置，聲音傳感器由測(cè)量傳聲器及其前置放大器組成，測(cè)量的聲信號(hào)頻率范圍為10～20000Hz，聲音傳感器通過BNC接口與聲音采集卡相連接，單聲道采集，采樣頻率為32kHz，采樣精度為16bit；聲音數(shù)據(jù)采集為4通道同步采集、51.2kS/s的采樣頻率、24bit分辨率，采集卡以無線WiFi方式發(fā)送聲音數(shù)據(jù)至路由器，路由器與服務(wù)器通過以太網(wǎng)連接，采集的羊叫聲信號(hào)以6min為一個(gè)存儲(chǔ)單元，存儲(chǔ)格式為wav的聲音文件。

本發(fā)明的優(yōu)點(diǎn)是：與傳統(tǒng)生理生化參數(shù)指標(biāo)檢測(cè)方法相比，具有無接觸、非侵入的優(yōu)點(diǎn)。因此，利用聲信號(hào)數(shù)字化處理技術(shù)，對(duì)設(shè)施養(yǎng)殖羊叫聲信號(hào)進(jìn)行采集、特征參數(shù)提取和分類識(shí)別，建立羊叫聲信號(hào)特征參數(shù)與羊只不同應(yīng)激行為之間的相關(guān)性，進(jìn)行設(shè)施羊舍內(nèi)羊只應(yīng)激行為的統(tǒng)計(jì)分析并與環(huán)境調(diào)控相結(jié)合，對(duì)于構(gòu)建設(shè)施福利化養(yǎng)羊系統(tǒng)及羊只健康狀況監(jiān)測(cè)等具有明顯的現(xiàn)實(shí)意義。

采用一種加權(quán)的梅爾頻率倒譜系數(shù)(MFCC)進(jìn)行羊叫聲信號(hào)特征參數(shù)提取，由于羊叫聲信號(hào)的MFCC特征參數(shù)各個(gè)分量對(duì)叫聲的表征能力是不相同的，MFCC特征分量中貢獻(xiàn)率小的不僅不能提高識(shí)別性能反而會(huì)使識(shí)別率降低，因此，為了提高羊叫聲信號(hào)的識(shí)別率，設(shè)計(jì)新的MFCC參數(shù)，依據(jù)MFCC及其差分的混合參數(shù)各分量貢獻(xiàn)率的大小，對(duì)MFCC混合參數(shù)進(jìn)行特征分量加權(quán)，得到的特征參數(shù)用于羊叫聲信號(hào)系統(tǒng)的識(shí)別。

由于HMM的動(dòng)態(tài)時(shí)序建模能力較強(qiáng)，可以很好地描述不同類別的羊叫聲信號(hào)，提高了羊叫信號(hào)的識(shí)別率，但也有著分類決策能力弱的缺點(diǎn)，HMM在識(shí)別時(shí)通過計(jì)算樣本的最大累積狀態(tài)概率來判斷屬于哪個(gè)類別，僅用到狀態(tài)累積概率最大值而忽略其它的狀態(tài)累積概率值。人工神經(jīng)網(wǎng)絡(luò)(ANN)通過模擬人腦的功能和組織結(jié)構(gòu)，是由對(duì)歷史信息有著記憶功能的權(quán)值互相連接組成，有著較強(qiáng)的分類決策能力，但動(dòng)態(tài)建模能力較差。將HMM的動(dòng)態(tài)建模能力和ANN模型的分類決策能力進(jìn)行互補(bǔ)，采用HMM/ANN混合識(shí)別模型對(duì)羊叫聲信號(hào)進(jìn)行識(shí)別，可提高羊叫聲信號(hào)的識(shí)別率。附圖說明：

圖1是本發(fā)明設(shè)施養(yǎng)殖羊應(yīng)激行為的聲信號(hào)監(jiān)測(cè)方法的基本流程圖；

圖2是本發(fā)明羊叫聲信號(hào)的特征參數(shù)提取和分類識(shí)別流程圖；

圖3是羊叫聲信號(hào)的HMM模型；

圖4是羊叫聲信號(hào)的HMM/ANN混合模型圖；

圖5(a)是羊打斗叫聲信號(hào)的MFCC一階差分特征參數(shù)三維曲線圖；

圖5(b)是羊饑餓叫聲信號(hào)的MFCC一階差分特征參數(shù)三維曲線圖；

圖5(c)是羊咳嗽聲信號(hào)的MFCC一階差分特征參數(shù)三維曲線圖；

圖5(d)是羊啃咬叫聲信號(hào)的MFCC一階差分特征參數(shù)三維曲線圖；

圖5(e)是羊?qū)ぐ榻新曅盘?hào)的MFCC一階差分特征參數(shù)三維曲線圖。

具體實(shí)施方式

參見圖1，本發(fā)明一種設(shè)施養(yǎng)殖羊應(yīng)激行為的聲信號(hào)監(jiān)測(cè)方法，基本流程是：

第一步、聲音信號(hào)采集：將聲音傳感器安裝在設(shè)施羊舍的2m高的中間位置，聲音傳感器由測(cè)量傳聲器及其前置放大器組成，測(cè)量的聲信號(hào)頻率范圍為10～20000Hz，聲音傳感器通過BNC接口與NI聲音數(shù)據(jù)采集平臺(tái)的聲音采集卡相連接，單聲道采集，采樣頻率為32kHz，采樣精度為16bit。聲音數(shù)據(jù)采集為4通道同步采集、51.2kS/s的采樣頻率、24bit分辨率，NI聲音數(shù)據(jù)采集平臺(tái)以無線WiFi方式發(fā)送聲音數(shù)據(jù)至路由器，路由器與服務(wù)器通過以太網(wǎng)連接，采集的羊叫聲信號(hào)以6min為一個(gè)存儲(chǔ)單元儲(chǔ)存在服務(wù)器內(nèi)，存儲(chǔ)格式為wav的聲音文件。對(duì)服務(wù)器上存儲(chǔ)的羊叫聲信號(hào)再進(jìn)行特征參數(shù)提取和分類識(shí)別，識(shí)別出羊叫聲信號(hào)所對(duì)應(yīng)的羊只行為，服務(wù)器進(jìn)行統(tǒng)計(jì)設(shè)施羊舍發(fā)生的打斗、饑餓、咳嗽、啃咬和尋伴共5種行為的數(shù)量，羊場(chǎng)管理人員可通過管理人員終端上網(wǎng)登陸服務(wù)器查詢到養(yǎng)殖舍內(nèi)羊只行為統(tǒng)計(jì)狀況，對(duì)設(shè)施羊舍的福利化養(yǎng)殖水平進(jìn)行評(píng)估。

參見圖2，本發(fā)明設(shè)施養(yǎng)殖羊叫聲信號(hào)的特征參數(shù)提取和分類識(shí)別方法是:

1、對(duì)羊叫聲信號(hào)進(jìn)行預(yù)加重、分幀、加窗、去噪以及端點(diǎn)檢測(cè)等常規(guī)預(yù)處理方法，但對(duì)聲信號(hào)去噪方法使用了小波去噪，其閾值函數(shù)采用了一種調(diào)整因子的平滑函數(shù)，適合于設(shè)施羊舍的風(fēng)機(jī)去噪。本發(fā)明使用的小波去噪方法為：

(1)含噪羊舍聲信號(hào)的小波分解。選擇小波基函數(shù)和分解層數(shù)，對(duì)羊舍含噪聲信號(hào)進(jìn)行小波變換，得到一組小波分解系數(shù)W_jk。

(2)小波系數(shù)的閾值處理。選擇一合適閾值，對(duì)小波分解的高頻系數(shù)W_jk進(jìn)行閾值處理，得到估計(jì)的系數(shù)使盡可能的小。噪聲分量是隨著小波系數(shù)增大而減小的，所以當(dāng)|W_jk|增大時(shí)，希望和W_jk之間的偏差也能減小，不能是恒定偏差λ或簡(jiǎn)單的置為零，設(shè)計(jì)一種調(diào)整因子的平滑函數(shù)作為閾值函數(shù)，表達(dá)式如下：

式中α代表調(diào)整因子，0≤α≤1，當(dāng)|W_jk|<λ時(shí)，可以調(diào)節(jié)α的值來調(diào)整其幅值，實(shí)現(xiàn)對(duì)W_jk的壓縮處理。

(3)聲信號(hào)的重構(gòu)。根據(jù)小波分解的高頻估計(jì)小波系數(shù)和低頻小波系數(shù)進(jìn)行羊叫聲信號(hào)的小波重構(gòu)，得出去噪后的羊叫聲的信號(hào)。

2、對(duì)羊叫聲信號(hào)進(jìn)行離散傅里葉變換，得到聲信號(hào)的對(duì)數(shù)能量，本發(fā)明使用的方法為：

(1)計(jì)算離散功率譜。通過離散傅里葉變換將聲信號(hào)從時(shí)域轉(zhuǎn)換到頻域上，再求聲信號(hào)頻譜幅度的平方，得到聲信號(hào)的能量譜，其在頻域上的能量分布代表了不同聲信號(hào)的特性，計(jì)算公式為：

式中：N—FFT的點(diǎn)數(shù)；x(n)—羊叫聲信號(hào)；x(k)—聲信號(hào)的能量譜。

(2)Mel濾波器組濾波。人耳聽覺對(duì)聲信號(hào)低頻與高頻部分的敏感度不同，由于人耳的遮蔽效應(yīng)，響度較高的頻率成分(一般為低頻部分)會(huì)影響響度較低的頻率成分(一般為高頻部分)，因此，聲信號(hào)轉(zhuǎn)換成梅爾頻率后，模擬人耳聽覺特性就需要讓梅爾頻率平均分布，這可使用M個(gè)三角帶通濾波器來實(shí)現(xiàn)，濾波器的公式為：

其中式中：f[m]—第m個(gè)三角濾波器的中心點(diǎn)；H_m[k]—k頻率在第m個(gè)三角濾波器的權(quán)重。另外f[m]也可進(jìn)一步表示為公式(4)所示。

式中：F_s—采樣頻率；M—濾波器組的個(gè)數(shù)，取M＝24；f_L—濾波器組的最低頻率；f_H—濾波器組的最高頻率；中心頻率為f[m],m＝1,2,...,M。f[m]之間的距離是隨m值的增大而增寬，隨m值的減小而縮小。

(3)對(duì)數(shù)轉(zhuǎn)換。聲信號(hào)經(jīng)過Mel濾波后得到其能量系數(shù)，需要對(duì)其進(jìn)行對(duì)數(shù)轉(zhuǎn)換使Mel頻譜與傅里葉頻率成對(duì)數(shù)關(guān)系，所以每個(gè)濾波器組輸出的對(duì)數(shù)能量為：

式中：S(m)—對(duì)數(shù)能量；H_m[k]—三角濾波器組；x(k)—聲音信號(hào)的能量譜。

3、對(duì)羊叫聲信號(hào)的對(duì)數(shù)能量進(jìn)行變換得到24維的MFCC及其一階差分的混合特征參數(shù),本發(fā)明使用的方法為：

(1)離散余弦變換(DCT)。由于同頻帶的能量變換成對(duì)數(shù)后已不再是當(dāng)初時(shí)域的值，將其稱作倒頻譜系數(shù)，再經(jīng)DCT變換，減少特征參數(shù)維度間的相關(guān)性，將信息集中到低頻12維的系數(shù)，以增加聲信號(hào)的識(shí)別效率，所得的MFCC表達(dá)式為：

式中：L—梅爾頻率倒譜系數(shù)的階數(shù)；C(n)—梅爾頻率倒譜系數(shù)。

(2)MFCC差分特征參數(shù)。MFCC反映了聲音信號(hào)的靜態(tài)特性，而人耳對(duì)聲信號(hào)的動(dòng)態(tài)特性較敏感，因此，需要一種表示羊叫聲信號(hào)動(dòng)態(tài)特性的參數(shù)。在動(dòng)物聲信號(hào)識(shí)別中，一般采用一階差分MFCC參數(shù)來表示聲信號(hào)的動(dòng)態(tài)特性，把動(dòng)態(tài)和靜態(tài)特征參數(shù)結(jié)合起來，可以提高系統(tǒng)的識(shí)別率。MFCC差分參數(shù)可通過公式(7)得到。

其中，K是一階導(dǎo)數(shù)的時(shí)間差，其值取1，d_t為第t個(gè)一階差分倒譜系數(shù)，1≤k≤K，C_t為第t個(gè)倒譜系數(shù)，L為倒譜系數(shù)的階數(shù)。圖5為羊只5種行為(打斗、饑餓、咳嗽、啃咬和尋伴)的叫聲信號(hào)一階差分MFCC特征參數(shù)圖，X、Y和Z軸分別代表聲信號(hào)的幀數(shù)、維數(shù)和MFCC的倒譜值，不同羊叫聲信號(hào)的MFCC系數(shù)的變化主要體現(xiàn)在兩個(gè)方面：一是幅度，二是變化的趨勢(shì)。MFCC參數(shù)反映了羊只的聲道特性，一階差分MFCC反映出聲信號(hào)的動(dòng)態(tài)變化特性，從圖中可以看出，一階差分MFCC在幅度和范圍的變化較大，動(dòng)態(tài)特性有了明顯的提高。

4、對(duì)羊叫聲信號(hào)MFCC混合特征參數(shù)進(jìn)行CF比特征加權(quán)，得到12維的特征參數(shù),本發(fā)明使用的方法為：

(1)羊叫聲信號(hào)特征參數(shù)CF比的計(jì)算方法。CF比的計(jì)算方法如下，令F_b(i)表示不同羊叫聲信號(hào)的特征參數(shù)均值方差，則：

其中，M是羊叫聲信號(hào)的類別數(shù)量(M＝5)，u_i和u分別表示第i種羊叫聲信號(hào)參數(shù)和所有羊叫聲信號(hào)參數(shù)的均值估計(jì)，計(jì)算公式為：

其中，是第i種羊叫聲信號(hào)第j個(gè)聲信號(hào)樣本的特征參數(shù)，j＝1,2,…,N，i＝1,2,…,M。N代表第i種羊叫聲信號(hào)的樣本個(gè)數(shù)。

令F_w(i)表示同一類羊叫聲信號(hào)特征參數(shù)均值的方差之和：

因此，重新定義Fisher比為：

MFCC的特征分量的距離定義為：

其中，和分別表示第i種羊叫聲信號(hào)的第j維和第k維的特征分量。MFCC的每維特征分量與其它維特征分量之間距離的測(cè)度值越大，則說明該維特征分量與其維特征分量的相關(guān)性越差。

對(duì)于L維中每一維特征分量的距離則定義為：

因此，所有種類羊叫聲信號(hào)的第j維特征分量的相關(guān)距離為：

基于特征相關(guān)性的Fisher準(zhǔn)則不但考慮了MFCC每維特征分量的區(qū)分度，而且考慮了該維特征分量與其它維特征分量的相關(guān)性，CF比定義為：

CF＝F/dis(j) (15)

(2)羊叫聲信號(hào)MFCC混合特征參數(shù)的CF比特征加權(quán)。對(duì)羊叫聲信號(hào)的MFCC混合特征參數(shù)的每一維特征分量計(jì)算CF比，作為MFCC混合參數(shù)各維特征分量的貢獻(xiàn)度。根據(jù)羊叫聲信號(hào)MFCC混合參數(shù)的每一維特征分量的貢獻(xiàn)度，計(jì)算每一維特征分量的加權(quán)系數(shù)η_i，η_i的計(jì)算公式為：

式中，N為MFCC混合特征參數(shù)的維數(shù)，CF_i為MFCC混合參數(shù)的第i維的貢獻(xiàn)度，即CF比。對(duì)羊叫聲信號(hào)MFCC混合特征參數(shù)進(jìn)行加權(quán)，加權(quán)系數(shù)η_i與混合參數(shù)的各維特征分量相乘，得到經(jīng)過加權(quán)的羊叫聲信號(hào)MFCC混合特征參數(shù)。

采用CF比對(duì)羊叫聲信號(hào)MFCC混合特征參數(shù)加權(quán)，提升了特征參數(shù)中對(duì)羊叫聲信號(hào)表征信息的權(quán)重，降低干擾信息的權(quán)重，可提高羊叫聲信號(hào)的識(shí)別率。

5、建立羊叫聲信號(hào)的HMM/ANN識(shí)別模型，根據(jù)羊叫聲信號(hào)特征參數(shù)進(jìn)行分類識(shí)別。本發(fā)明使用的方法為：

(1)羊叫聲信號(hào)的隱馬爾科鏈模型(HMM)的建立。羊叫聲信號(hào)的HMM模型如圖3所示，在t時(shí)刻起，π表示當(dāng)前狀態(tài)S_i處于隨機(jī)處于某個(gè)狀態(tài)的概率，用狀態(tài)轉(zhuǎn)移概率a_ij＝P(q_t+1＝S_j|q_t＝S_i)表示羊叫聲信號(hào)從狀態(tài)S_i在t+1時(shí)刻轉(zhuǎn)移到S_j的概率，則全部概率a_ij(i,j＝1,2,...,N)可用狀態(tài)轉(zhuǎn)移概率矩陣A表示；羊叫聲信號(hào)的每個(gè)狀態(tài)下有M(M＝3)個(gè)不同子區(qū)域，O＝{o₁,o₂,...,o_T}為觀測(cè)序列，T為聲信號(hào)幀數(shù)，與提取的羊叫聲信號(hào)特征參數(shù)相對(duì)應(yīng)，用表示所有區(qū)域?qū)?yīng)的概率分布函數(shù)，整個(gè)羊叫聲信號(hào)識(shí)別HMM可以用λ＝(A,B,π)表示。

(2)羊叫聲信號(hào)識(shí)別的HMM/ANN模型的建立。參見圖4，對(duì)羊只打斗、饑餓、咳嗽、啃咬、尋伴行為的聲信號(hào)，設(shè)計(jì)相對(duì)應(yīng)的HMM，共設(shè)計(jì)5個(gè)羊叫聲信號(hào)HMM，分別對(duì)應(yīng)打斗聲λ₁、饑餓聲λ₂、咳嗽聲λ₃、啃咬聲λ₄和尋伴聲λ₅，經(jīng)過Viterbi算法得到HMM的狀態(tài)轉(zhuǎn)移序列及其輸出概率，每種羊叫聲信號(hào)的HMM有6個(gè)狀態(tài)轉(zhuǎn)移序列，對(duì)應(yīng)的狀態(tài)累積輸出概率為{V(1),V(2),...,V(6)}，一共可得到30個(gè)狀態(tài)累積輸出概率。BP神經(jīng)網(wǎng)絡(luò)的輸入層有30個(gè)神經(jīng)元，分別對(duì)應(yīng)著HMM的30個(gè)狀態(tài)累積概率，其輸出層有5個(gè)神經(jīng)元，分別對(duì)應(yīng)著5種類別的羊叫聲信號(hào)，將羊叫聲信號(hào)中的一部分用于HMM/ANN模型訓(xùn)練，可得到HMM模型參數(shù)和ANN的權(quán)重值，當(dāng)ANN的隱含層神經(jīng)元數(shù)目為9，該模型的識(shí)別率最高。

(3)羊叫聲信號(hào)的分類識(shí)別。參見圖4，對(duì)于一個(gè)待判別的羊叫聲信號(hào)樣本O，即提取的羊叫聲信號(hào)特征參數(shù)，對(duì)所有的HMM，分別采用Viterbi算法求出最大輸出概率P(O,O*|λ_m),m＝1,2,3,4,5，其中O*為最佳狀態(tài)序列，則該樣本的羊叫聲信號(hào)類別歸屬為匹配概率最大的HMM。利用HMM模型中的Viterbi解碼算法產(chǎn)生5種羊叫聲信號(hào)的最佳狀態(tài)轉(zhuǎn)移序列輸出概率，將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入，BP神經(jīng)網(wǎng)絡(luò)為三層網(wǎng)絡(luò)，其輸出即為羊叫聲信號(hào)的類別。