1.一种基于周期性分析非负矩阵分解的虾叫识别方法,其特征在于:包括以下步骤:S1、预设相关参数;
S2、获取原始虾叫声数据;
S3、对原始虾叫声数据进行时间级联处理,得到级联矩阵;
S4、对级联矩阵进行NMF分解,得到基矩阵和编码矩阵;
S5、对编码矩阵进行周期性分析并利用稀疏NMF聚类进行处理,得到对应的各聚类结果以及对应的聚类标签;
S6、根据编码矩阵的各聚类结果以及聚类标签,对与编码矩阵对应的基矩阵重新组织标签,得到更新后的基矩阵;
S7、根据S5中的各聚类结果与S6中更新后的基矩阵,对原始虾叫声数据进行重构,得到噪声结果与虾叫结果;
所述S1中的相关参数包括聚类数目、时间帧数、基矩阵数量、NMF更新迭代次数和稀疏性参数;所述S2中的原始虾叫声数据采用时频表示矩阵进行表示;
所述S3的具体过程为:
判断原始虾叫声数据对应的时频表示矩阵是否包含负值,若是则返回S1;反之则对时频表示矩阵进行归一化处理,得到归一化后的时频表示矩阵;
获取归一化后的时频表示矩阵的频率维度大小和时间维度大小,并基于时间帧数,通过将归一化后的时频表示矩阵在行方向上进行平移叠加对归一化后的时频表示矩阵中的数据进行时间级联处理,得到级联矩阵;其中,时间级联处理的计算公式为:其中,表示级联数,表示求和函数,表示归一化后的时频表示矩阵中的位置为对应的数值,表示级联矩阵。
2.根据权利要求1所述的基于周期性分析非负矩阵分解的虾叫识别方法,其特征在于:所述S4包括以下步骤:S4-1、对级联矩阵进行全局缩放,得到处理后的级联矩阵;
S4-2、根据基矩阵数量,对处理后的级联矩阵进行分解,得到初始基矩阵和初始编码矩阵;
S4-3、对初始基矩阵和初始编码矩阵进行初始化,得到初始化后的基矩阵、初始化后的编码矩阵;
S4-4、根据稀疏性参数,利用投影对初始化后的基矩阵对应的稀疏性、初始化后的编码矩阵对应的稀疏性进行调整,得到调整后的基矩阵、调整后的编码矩阵;
S4-5、利用梯度下降法对调整后的基矩阵、调整后的编码矩阵进行更新,并计算对应的误差均方根;
S4-6、重复S4-5直至达到NMF更新迭代次数,得到各优化后的基矩阵、优化后的编码矩阵以及对应的误差均方根;
S4-7、选取误差均方根最小的一组作为最终优化后的基矩阵、最终优化后的编码矩阵;
S4-8、判断最终优化后的基矩阵、最终优化后的编码矩阵是否满足第一要求;若是则将优化后的基矩阵、优化后的编码矩阵作为基矩阵和编码矩阵;反之则返回S4-5。
3.根据权利要求1所述的基于周期性分析非负矩阵分解的虾叫识别方法,其特征在于:所述S5包括以下步骤:S5-1、利用傅里叶变换提取编码矩阵的周期性特征;
S5-2、计算周期性特征的显著性;
S5-3、根据周期性特征的显著性对周期性特征进行筛选,得到筛选后的周期性特征;
S5-4、利用稀疏NMF聚类对筛选后的周期性特征进行聚类,得到各聚类结果以及对应的聚类标签。
4.根据权利要求3所述的基于周期性分析非负矩阵分解的虾叫识别方法,其特征在于:所述S5-1包括以下步骤:S5-1-1、对编码矩阵的每一列数据进行离散傅里叶变换,得到每一列数据对应的频谱信息;
S5-1-2、基于各频谱信息,计算编码矩阵的每一列数据的均值;
S5-1-3、将编码矩阵的每一列数据减去对应的均值,并进行离散傅里叶变换,得到初始周期性特征;
S5-1-4、保留正频率的初始周期性特征并计算对应的幅值,得到周期性特征。
5.根据权利要求3所述的基于周期性分析非负矩阵分解的虾叫识别方法,其特征在于:所述S6包括以下步骤:S6-1、计算编码矩阵的各聚类结果的幅值峰值和中值之差的均值;
S6-2、对各均值进行降序排列,得到对应的排序结果;
S6-3、根据排序结果和各聚类结果对应的聚类标签,对与编码矩阵对应的基矩阵重新组织标签,得到更新后的基矩阵。
6.根据权利要求3所述的基于周期性分析非负矩阵分解的虾叫识别方法,其特征在于:所述S7包括以下步骤:S7-1、根据各聚类结果和更新后的基矩阵,分别对原始虾叫声数据进行重构,得到噪声重构信号矩阵和虾叫重构信号矩阵;
S7-2、根据时间帧数,分别对噪声重构信号矩阵和虾叫重构信号矩阵的每一列数据进行划分,得到对应的噪声时间帧子矩阵和虾叫时间帧子矩阵;
S7-3、对各噪声时间帧子矩阵和各虾叫时间帧子矩阵沿时间维度进行平均值计算,得到噪声结果和虾叫结果。