سیگنال quinx و آنچه شما باید بدانید

متشکرم

به خاطر علاقه خود به مجله انجمن آکوستیک آمریکا

برای ثبت نام در هشدارها ، لطفاً ابتدا وارد شوید. اگر به یک حساب کاربری احتیاج دارید ، لطفا در اینجا ثبت نام کنید

طبقه بندی صوتی اتوماتیک گونه های حشرات بر اساس نمودارهای حکسی کارگردانی

مربوط

مقالات

Forrest Briggs ، Balaji Lakshminarayanan ، Lawrence Neal ، Xiaoli Z. Fe ، Raviv Raich ، Sarah J. K. Hadley ، Adam S. Hadley و Matthew G. Betts

علی K. ابراهیم ، لورن م. چروبیین ، هانقی ژوانگ ، میشل تی. شرر امپیر ، فریزر دالگلیش ، نوورگون اردول ، ب. اویانگ و A. دالگلیش

Michael J. Bianco ، Peter Gerstoft ، James Traer ، Emma Ozanich ، Marie A. Roch ، Sharon Gannot and Charles-Alban DeLedalle

• طبقه بندی صوتی اتوماتیک گونه های حشرات بر اساس نمودارهای حکسی کارگردانی

مجله انجمن آکوستیک آمریکا 145 ، EL541 (2019) ؛https://doi.org/10. 1121/1. 5111975

• stavros ntalampiras

خلاصه

این کار طراحی یک طرح نمودار acyclic کارگردانی (DAG) را ارائه می دهد ، که گره هایی از آن مدل های مخفی مارکوف (HMM) را برای طبقه بندی گونه های حشرات در بر می گیرند. چنین یک طرح DAG قادر به محدود کردن فضای مشکل است ، در حالی که HMMS تکامل زمانی طیف سنجی های مقیاس MEL را که از صداهای ضرب و شتم استخراج می شود ، ضبط می کند. جالب توجه است ، رویکرد پیشنهادی با بازرسی از توالی لبه های فعال شده در DAG (مسیر) ، تفسیر فرایند طبقه بندی را ارائه می دهد. این مجموعه داده شامل 50 000 صداهای ضرب و شتم بال است که شش گونه ، یعنی Ae را نشان می دهد. Ae Egypti (مرد و زن) ، CX. quinquefasciatus (مرد و زن) ، CX. Stigmatosoma (مرد و زن) ، CX. Tarsalis (زن و مرد) ، Musca Domestica و Drosophila Simulans ، و در https://sites. google.com/site/insectclassification/ در دسترس عموم است. آزمایش های طبقه بندی کامل گونه ها نشان داد که راه حل پیشنهادی بهتر از رویکردهای پیشرفته است.

طبقه بندی گونه های حشرات ممکن است به مدیریت و کنترل آفات کمک کند نه تنها از نظر ارزیابی تنوع زیستی و فهرست نویسی ، بلکه از نظر مالی نیز از آنجا که حضور/عدم وجود گونه های خاص ممکن است منجر به تلفات فاجعه بار اقتصادی شود (Potamitis و همکاران ، 2015 6. Potamitis ، I. ، Rigakis ، I. ، and Fysarakis ، K. (2015). "بیومتریک حشرات: پردازش سیگنال نوری و کاربردهای آن برای نظارت از راه دور از تله های نوع MCPhail ،" PLOS ONE 10 (11) ، E0140474. https: // doi.org/10. 1371/joual. pone. 0140474). نکته مهم این است که پشه ها یک تهدید بزرگ حیوانات برای سلامت انسان را تشکیل می دهند ، زیرا آنها مستقیماً در انتقال بیماری های کشنده مانند تب زرد ، مالاریا ، دنگو و ویروس زیکا نقش دارند (شمع ، 2018 5. شمع ، D. F. P. (2018). "نظارت بر پشه ها، "Nature Photonics 12 (5) ، 254-254. https://doi.org/10. 1038/S41566-018-0168-6). چنین ارتباطی بسیاری از محققان را به سمت ایجاد مکانیسم های خودکار سازی فرایند شناسایی سوق داده است (چن و همکاران ، 2014 1. چن ، ی. ، چرا ، A. ، باتیستا ، G. ، Mafra-Neto ، A. ، و Keogh ، E.(2014). "طبقه بندی حشرات پرواز با سنسورهای ارزان قیمت ،" J. Insect 27 (5) ، 657-677. https://doi.org/10. 1007/S10905-014-9454-4 ؛ ژانگ و همکاران ،2017 11. Zhang ، C. ، Wang ، P. ، Guo ، H. ، Fan ، G. ، Chen ، K. ، and Kämäräinen ، J.-K. (2017). طبقه بندی ، "Electron. Lett. 53 (25) ، 1674 - 1676. https://doi.org/10. 1049/el. 2017. 3334). جالب اینجاست که کار گزارش شده در چن و همکاران.(2014) 1. چن ، ی. ، چرا ، A. ، Batista ، G. ، Mafra-Neto ، A. ، and Keogh ، E. (2014)."طبقه بندی حشرات پرواز با سنسورهای ارزان قیمت ،" J. Insect Beh. 27 (5) ، 657 - 677. https://doi.org/10. 1007/S10905-014-9454-4 جدا از ارائه طبقه بندی بیزی برای گونه های حشرات ، یک مجموعه داده در دسترس عمومی با تمرکز بر روی Diptera ، بنابراین تحقیقات را در این زمینه تسهیل می کند. این مجموعه داده شامل 50 000 صداهای ضرب و شتم بال است که شش گونه ، یعنی Ae را نشان می دهد. Ae Egypti (مرد و زن) ، CX. quinquefasciatus (مرد و زن) ، CX. Stigmatosoma (مرد و زن) ، CX. Tarsalis (مرد و زن) ، Musca Domestica و Drosophila Simulans. سازندگان از سنسورهای نوری برای ضبط "صدای" پرواز حشرات استفاده کردند. چنین نوع ضبط ها با تداخل احتمالی صدای محیط زیست/سر و صدا کاملاً بی تأثیر باقی مانده است. به دنبال همان خط فکری ، این نامه یک نمودار حکیمیک (DAG) را به طور مناسب تقسیم فضای مشکل پیشنهاد می کند ،

در حالی که مدل سازی الگوهای زمانی موجود در محتوای طیفی صداهای ضرب و شتم. راه حل پیشنهادی مراحل زیر را شامل می شود: (الف) استخراج ویژگی ، (ب) ساخت DAG از جمله ترتیب توپولوژیکی آن ، (ج) ایجاد طبقه بندی کننده های مبتنی بر گره و (د) شناسایی گونه های حشرات بر اساس عملکرد DAG.

در اصل ، ما از یک طیف سنجی مقیاس MEL برای نشان دادن سیگنال های موجود استفاده کردیم. برای این منظور ، ما از یک Filterbank Mel Triangular برای استخراج 23 انرژی ورود به سیستم استفاده کردیم. در ابتدا ، سیگنال صوتی پنجره ای شده و تبدیل کوتاه مدت فوریه (STFT) با توجه به هر پنجره محاسبه می شود. نتیجه STFT از Filterbank عبور می کند و لگاریتم برای فضای مناسب داده ها محاسبه می شود. ما از استفاده از تبدیل گسسته از تبدیل ، که ممکن است منجر به از بین رفتن اطلاعات شود ، خودداری می کنیم ، بنابراین از کل محتوای هر طیف Mel Mel استفاده می کنیم. شکل 1 طیف سنجی های مقیاس یافته را که از ضبط های حاصل از کلیه کلاسهای موجود استخراج شده است ، نشان می دهد.

شکل 1. (رنگ آنلاین) طیف سنجی های مقیاس یافته MEL که از ضبط های حاصل از تمام کلاس های موجود استخراج می شوند [AE. Ae Egypti (زن و مرد) ، Drosophila Simulans ، Musca domestica ، CX. quinquefasciatus (مرد و زن) ، CX. Stigmatosoma (مرد و زن) و CX. Tarsalis (مرد و زن)].چارچوب پیشنهادی به منطق DAG متکی است ، یعنی طرح طبقه بندی نمادی است که به عنوان G = مشخص شده است، جایی که n =نشان دهنده گره ها و l =

پیوندهای مرتبط با گره ها را نشان می دهد. هر گره در N مسئول یک کار طبقه بندی باینری است که از طریق مجموعه ای از مدل های مخفی مارکوف (HMM) انجام می شود که به خوبی مشخصات وظایف تشخیص الگوی صوتی است (Ntalampiras ، 2014 4. Ntalampiras ، S. (2014). برای صدا ، ژانر موسیقی و طبقه بندی احساسات گفتار مبتنی بر محتوا ، "J. New Music Res. 43 (2) ، 173-182. https://doi.org/1080/09298215. 2013. 859709) ، بنابراین DAG-HMM NOTATIONبشر_mانگیزه ایجاد چنین سیستم طبقه بندی مبتنی بر نمودار این است که از این طریق ، فرد قادر به محدود کردن فضای مشکل و الگوریتم های طبقه بندی طراحی برای دو کلاس منحصر به فرد است تا اینکه به طور همزمان با کل کلاس های مختلف مقابله کنیدبشردر اصل ، روش پیشنهادی هر C را تجزیه می کند

مسئله طبقه بندی کلاس به یک سری از مشکلات طبقه بندی 2 طبقه.

DAG ها را می توان به عنوان تعمیم کلاس درختان تصمیم گیری دانست ، در حالی که افزونگی ها و تکرارهایی که ممکن است در شاخه های مختلف درخت رخ دهد ، می تواند با کارآیی بیشتری مشاهده شود زیرا ممکن است مسیرهای مختلف تصمیم گیری ادغام شود. علاوه بر این ، DAG ها قادر به جمع آوری و انجام یک سری کارها به روشی سفارش داده شده هستند ، با توجه به محدودیت هایی که باید کارهای خاصی زودتر از سایرین انجام شود. اجرای پی در پی وظایف از اهمیت ویژه ای برخوردار است و به طور مستقیم مربوط به اثربخشی است که با آن به کار کلی رسیدگی می شود (Vanderweele and Robins ، 2010 10. Vanderweele ، T. J. ، and Robins ، J. M. (2010)."J. R. Stat. Soc. 72 (1) ، 111-127. https://doi.org/10. 1111/j. 1467-9868. 2009. 00728. x).

معماری DAG-HMM مورد استفاده در این مقاله شامل گره های M (M-1) / 2 است که هر یک از آنها با یک مشکل طبقه بندی 2 طبقه مرتبط است. اتصالات بین گره های مختلف در G تنها یک جهت گیری و بدون هیچ نوع حلقه (های) دارد. در نتیجه ، هر گره از چنین DAG به اصطلاح ریشه دار 0 یا 2 قوس را ترک می کند.

بخش های 4 و 5 تجزیه و تحلیل مفصلی از نحوه ساخت DAG-HMM و متعاقباً کار می کند. مسئله اصلی مرتبط با طراحی هر DAG ، ترتیب توپولوژیکی است ، یعنی سفارش گره ها به شکلی که نقاط انتهایی هر لبه زودتر از نقاط پایانی پایان مربوطه اتفاق می افتد. در ادامه ، ما توضیح می دهیم که چگونه چنین ترتیب توپولوژیکی بر اساس واگرایی Kullbac k-Leibler کشف می شود.

به طور طبیعی ، انتظار می رود که عملکرد DAG-HMM به ترتیب انجام کارهای مختلف طبقه بندی بستگی داشته باشد. این همچنین از آزمایش های اولیه مشهود بود. این مشاهده باعث ایجاد DAG-HMM می شود تا کارهای "ساده" در اوایل نمودار انجام شود. به عبارت دیگر ، اینها در گره های بالای DAG-HMM قرار می گیرند ، به گونه ای که کلاس های مسئول تعداد زیادی از طبقه بندی های نادرست در اوایل عمل گراف از بین می روند. به منظور بدست آوردن یک نشانه اولیه از میزان دشواری یک کار طبقه بندی ، ما از متریک استفاده کردیم که فاصله کلاسهای درگیر در فضای احتمالی را نشان می دهد ، یعنی واگرایی Kullback-Leibler (KLD) بین مدل های مخلوط گاوسی در هر کلاس(GMMS) در فضای ویژگی. انگیزه اصلی این است که در اوایل کارهای DAG-HMM در مورد طبقه بندی کلاس ها با KLD بزرگ قرار دهید ، زیرا می توان آنها را با دقت بالا تکمیل کرد. طرح تعیین ترتیب توپولوژیکی در شکل 2 نشان داده شده است. در آنجا ، یک فضای ویژگی دو بعدی ساده (تسهیل کننده اهداف تظاهرات) استفاده می شود که در آن فاصله های KLD محاسبه شده و متعاقباً مرتب می شوند.

شکل 2. تعیین ترتیب توپولوژیکی (برای سادگی ، فقط چهار کلاس در نظر گرفته شده است).

(1)

(2)

(3)

(4)

با توجه به اینکه تعداد قرعه کشی مونت کارلو به اندازه کافی بزرگ است. در طول آزمایشات ما N = 2000 را تنظیم کردیم.

لازم به ذکر است که KLD بین HMMS مورد استفاده قرار نگرفته است زیرا فاصله محاسبات بین HMM های طول نابرابر ، که ممکن است در این کار رایج باشد ، زیرا HMM ها به نمایندگی از کلاس های مختلف ممکن است تعداد متفاوتی از کشورها داشته باشند ، می توانند به طور قابل توجهی محاسباتی تر و بدون افزایش مربوط بهدقت مدل سازی (لیو و همکاران ، 2007 3. لیو ، P. ، Soong ، F. K. ، و Zhou ، J. L. (2007). "اندازه گیری شباهت مبتنی بر واگرایی برای بازیابی اسناد گفتاری" ، در کنفرانس بین المللی IEEE در سال 2007 در مورد آکوستیک ، گفتار وپردازش سیگنال (ICASSP) ، جلد 4 ، صفحات IV-89- IV-92. ؛ ژائو و همکاران ، 2007 12. ژائو ، ژانگ ، سی. ، سونگ ، F. K. ، چو ، م. ، و شیائو، X. (2007). "اندازه گیری عدم تشریفات با HMM KL-Divergence برای سنتز گفتار" ، در کارگاه ششم ISCA در مورد سنتز گفتار ، بن ، آلمان (23-24 اوت) ، صص 206-210.).

پس از محاسبه KLD برای جفت های مختلف کلاس ، یعنی به مرحله دوم که در شکل 2 نشان داده شده است برسید ، مسافت KLD به روشی فزاینده طبقه بندی می شود. به این ترتیب ترتیب توپولوژیکی DAG-HMM آشکار می شود و وظایف طبقه بندی مشکل کم در بالای آن را قرار می دهد. هر گره یک کلاس را از لیست نامزد حذف می کند تا اینکه فقط یک کلاس باقی بماند ، که شامل پیش بینی DAG-HMM است. عناصر ماتریس فاصله را می توان به عنوان شاخص های عملکرد اولیه کار انجام شده توسط گره مربوطه مشاهده کرد. سفارشات توپولوژیکی پیشنهادی وظایفی را که احتمالاً در انتهای نمودار ایجاد می کند ، قرار می دهد. این فرایند یک راه حل منحصر به فرد برای مشکل مرتب سازی توپولوژیکی ارائه می دهد ، زیرا معمولاً در ادبیات تئوری نمودار برآورده می شود (کوک ، 1985 2. کوک ، س. A. (1985). "یک طبقه بندی از مشکلات با الگوریتم های موازی سریع ،" کنترل 64(1) ، 2-22. https://doi.org/10. 1016/s0019-9958(85)80041-3).

عملکرد طرح DAG-HMM پیشنهادی به شرح زیر است: پس از استخراج ویژگی های سیگنال صوتی ناشناخته ، گره اول/ریشه فعال می شود. به طور دقیق تر ، دنباله ویژگی به HMMS تغذیه می شود ، که دو احتمال ورود به سیستم را نشان می دهد که میزان شباهت بین داده های آموزش هر HMM و ناشناخته را نشان می دهد. اینها مقایسه می شوند و جریان نمودار در مسیر بزرگتر ورود به سیستم ادامه می یابد. باید تأکید کرد که HMM ها بهینه شده اند (از نظر تعداد حالت ها و مؤلفه های گاوسی) به گونه ای که آنها وظیفه هر گره را بهینه می کنند. گفته می شود ، این امکان وجود دارد که یک کلاس خاص توسط HMM ها با پارامترهای مختلف هنگام استفاده از گره های مختلف DAG-HMM نشان داده شود.

نمونه ای از DAG-HMM که به یک مشکل در چهار کلاس پرداخته است ، در شکل 3 نشان داده شده است. کلاسهای باقیمانده برای آزمایش در کنار هر گره ذکر شده است. حفر داخل هر گره ، شکل 3 طبقه بندی کننده صوتی مبتنی بر HMM را برای فعال کردن مسیر حداکثر احتمال ورود به سیستم نشان می دهد.

شکل 3. نمونه ای از DAG-HMM که با چهار کلاس مشکل دارد. عمل باینری انجام شده در هر گره DAG-HMM نیز به تصویر کشیده شده است.

عملکرد DAG-HMM ممکن است با بررسی لیستی از کلاس ها موازی باشد ، جایی که هر سطح یک کلاس را از لیست حذف می کند. در جزئیات بیشتر ، در ابتدا لیست شامل تمام کلاسهای صوتی بالقوه است. در هر گره ، دنباله ویژگی در برابر HMM های مربوطه مطابقت دارد و مدل با کمترین احتمال ورود به سیستم از لیست پاک می شود ، در حالی که DAG-HMM بدون کلاس دور ریخته به بخشی از توپولوژی می رود. این فرایند زمانی خاتمه می یابد که فقط یک کلاس در لیست باقی بماند ، که شامل پیش بینی سیستم است. از این رو ، در صورتی که مشکل با کلاس های مختلف سروکار داشته باشد ، تصمیم DAG پس از ارزیابی گره های M - 1 گرفته می شود.

در این بخش ، ما به تجزیه و تحلیل: (الف) مجموعه داده های Wingbeat شامل ده کلاس ، (ب) پارامتر شدن هر دو DAG-HMM و ماژول استخراج ویژگی ، (ج) رویکردهای متضاد ، و (د) ارائه می دهیم و نتایج به دست آمده را ارائه می دهیم.

پنجره استخراج ویژگی سطح پایین 30 میلی ثانیه با همپوشانی 10 میلی ثانیه است ، به طوری که این سیستم در برابر سوء استفاده های احتمالی قوی است. داده های نمونه برداری از پنجره ها برای صاف کردن ناپیوستگی های پتانسیل استفاده می شوند در حالی که اندازه سریع تبدیل فوریه (FFT) 512 است. تکنیک های عادی سازی استاندارد ، یعنی میانگین حذف و مقیاس گذاری واریانس ، استفاده شد.

HMM های هر گره از نظر تعداد حالت ها و گره ها به دنبال الگوریتم های حداکثر انتظار و Baum Welch بهینه می شوند (Rabiner ، 1989 7. Rabiner ، L. R. (1989). "یک آموزش در مورد مدل های مخفی مارکوف و برنامه های انتخاب شده در تشخیص گفتار، "Proc. IEEE 77 (2) ، 257 - 286. https://doi.org/10. 1109/5. 18626). از آنجا که وقایع صوتی در نظر گرفته شده توسط یک تکامل زمان مشخص مشخص می شود ، ما HMM ها را با توپولوژی چپ و راست استفاده کردیم ، یعنی فقط انتقال حالت چپ به راست مجاز است. علاوه بر این ، توزیع هر حالت توسط یک مدل مخلوط گاوسی از کواریانس مورب تقریب می یابد ، که ممکن است به همان اندازه با هزینه محاسباتی بسیار پایین به همان اندازه مؤثر باشد (رینولدز و رز ، 1995 8. رینولدز ، D. A. و رز ، R. C. (1995). "شناسایی بلندگو مستقل متن با استفاده از مدلهای بلندگو مخلوط گاوسی ،" IEEE Trans. فرآیند صوتی گفتار. 3 (1) ، 72-83. https://doi.org/10. 1109/89. 365379).

حداکثر تعداد تکرارهای K-means برای اولیه سازی خوشه به 50 تنظیم شد در حالی که الگوریتم Bau m-Welch مورد استفاده برای تخمین ماتریس انتقال به 25 تکرار با آستانه 0. 001 بین تکرارهای بعدی محدود شد. تعداد ایالت های کاوش شده از 3 تا 7 متغیر است در حالی که تعداد اجزای گاوسی که برای ساخت GMM استفاده می شود متعلق به مجموعه است. پارامترهای نهایی بر اساس معیار حداکثر میزان تشخیص انتخاب شدند. مشعل بسته یادگیری ماشین (آزادانه در http://torch. ch/) برای ساخت و ارزیابی GMM ها و HMM ها استفاده شد. علاوه بر این ، MATLAB برای استخراج طیف سنجی و تنظیم DAG به کار گرفته شد.

در اینجا ، ما به دو نکته مهم در مورد مقایسه و تکرارپذیری رویکرد پیشنهادی می پردازیم: (الف) ما از یک مجموعه داده در دسترس عموم استفاده کردیم (چن و همکاران ، 2014 1. چن ، ی. ، چرا ، A. ، Batista ، G. ، Mafra-Neto ، A. ، and Keogh ، E. (2014). "طبقه بندی حشرات پرواز با سنسورهای ارزان قیمت ،" J. Insect Beh. 27 (5) ، 657-677. https://doi.org/10. 1007/S10905-014-9454-4) ، و (ب) آزمایش های ما بر اساس پروتکل اعتبارسنجی متقابل اتخاذ شده در چن و همکاران انجام شد.(2014) 1. چن ، ی. ، چرا ، A. ، Batista ، G. ، Mafra-Neto ، A. ، and Keogh ، E. (2014)."طبقه بندی حشرات پرواز با سنسورهای ارزان قیمت ،" J. Insect Beh. 27 (5) ، 657 - 677. https://doi.org/10. 1007/S10905-014-9454-4 و ژانگ و همکاران.(2017) 11. ژانگ ، C. ، وانگ ، پ. ، گوا ، H. ، فن ، G. ، چن ، ک. ، و کومرومینن ، J.-K.(2017). Electron: "تبدیل صدای بالگرد به تصاویر طیف برای طبقه بندی حشرات آکوستیک."کاهنده53 (25) ، 1674 - 1676. https://doi.org/10. 1049/el. 2017. 3334.

پیش پردازش صداهای Wingbeat شامل حذف هرگونه سر و صدای پس زمینه و پر کردن قطعات خاموش با مقدار 0 است. هر صدای پرواز حشرات 1 ثانیه طول می کشد.

طبقه بندی صداهای پرواز حشرات به طور معمول بر روی دو کار متمرکز است ، یعنی (الف) جنسیت و (ب) طبقه بندی گونه ها. پس از نتایج عالی گزارش شده در ژانگ و همکاران.(2017) 11. ژانگ ، C. ، وانگ ، پ. ، گوا ، H. ، فن ، G. ، چن ، ک. ، و کومرومینن ، J.-K.(2017). Electron: "تبدیل صدای بالگرد به تصاویر طیف برای طبقه بندی حشرات آکوستیک."کاهنده53 (25) ، 1674 - 1676. https://doi.org/10. 1049/el. 2017. 3334 در مورد اولین کار ، این کار بر روی مورد دوم متمرکز است که شامل یک مشکل ده کلاس است. این مجموعه داده شامل شش گونه حشرات ، یعنی Ae است. Ae Egypti (مرد و زن) ، CX. quinquefasciatus (مرد و زن) ، CX. Stigmatosoma (مرد و زن) ، CX. Tarsalis (مرد و زن) ، Musca Domestica و Drosophila Simulans. اطلاعات جنسیتی فقط با توجه به چهار گونه درج شده است. به طور کلی ، این مجموعه داده شامل 50،000 صداهای Wingbeat است که به طور مساوی در بین کلاس ها توزیع می شود و برای اهداف تحقیق در https://sites. google.com/site/insectclassification/ در دسترس عموم است.

ترتیب توپولوژیکی حاصل در https://sites. google.com/site/stavrosntalampiras/demos/insect-pecies-classification ارائه شده است. در جدول 1 میانگین نرخ شناخت حاصل از راه حل پیشنهادی و موارد گزارش شده در ادبیات جدول بندی می شود. همانطور که می بینیم ، مورد به دست آمده در اینجا بالاترین میزان از ضبط 4. 58 ٪/2290 و 5. 96 ٪/2980 ضبط راه حل های گزارش شده در ژانگ و همکاران است.(2017) 11. ژانگ ، C. ، وانگ ، پ. ، گوا ، H. ، فن ، G. ، چن ، ک. ، و کومرومینن ، J.-K.(2017). Electron: "تبدیل صدای بالگرد به تصاویر طیف برای طبقه بندی حشرات آکوستیک."کاهنده53 (25) ، 1674 - 1676. https://doi.org/10. 1049/el. 2017. 3334 و چن و همکاران.(2014) 1. چن ، ی. ، چرا ، A. ، Batista ، G. ، Mafra-Neto ، A. ، and Keogh ، E. (2014)."طبقه بندی حشرات پرواز با سنسورهای ارزان قیمت ،" J. Insect Beh. 27 (5) ، 657 - 677. https://doi.org/10. 1007/S10905-014-9454-4 ، به ترتیب (جدول 1). به سمت تجزیه و تحلیل دقیق تر نتایج ، در جدول 2 ماتریس سردرگمی ارائه شده پس از استفاده از راه حل پیشنهادی را ارائه می دهیم. ما مشاهده می کنیم که بالاترین نرخ برای کلاس مرد AEDES (98 ٪) حاصل می شود ، در حالی که بدترین حالت برای مرد Tarsalis (64. 6 ٪) است. دومی برای مرد Quinx 26. 6 ٪ از زمان طبقه بندی شده است. سایر طبقه بندی های نادرست مربوط به جفت های زن و مرد زن و مرد زن و زن و مرد است.