技术领域
本发明属于动物种类测定识别方法，具体涉及应用蝙蝠回声定位声波测定识别蝙蝠种 类的方法
背景技术
蝙蝠属哺乳纲翼手目(Chiroptera)，是世界上分布最广、进化最成功的哺乳动物类群 之一，具有特殊的回声定位生态行为，同时，蝙蝠主要以昆虫为食，是森林病虫害最有效 的防治者。然而近年来，由于生境破碎化、人为滥杀等原因，蝙蝠种群的数量逐年下降， 对其开展深入研究和保护工作迫在眉睫。但在对蝙蝠的保护和研究中，由于蝙蝠活动习性 和行为的特殊性，捕捉和种类鉴别都具有一定的难度。目前主要通过蝙蝠形态特征观察鉴 定蝙蝠的种类，但鉴定的准确度依赖于研究者的经验和能力。
蝙蝠几乎完全靠回声定位捕食猎物并获得关于周围生态环境的信息，回声定位的研究 在国际上一直是蝙蝠研究中的热点和重点。同时，同种蝙蝠个体的回声定位声波具有相对 一致性，而种间声波信号具有一定的差异性，因此，种间回声定位声波的比较研究可以确 定研究区域内蝙蝠的种类，并阐明种间差异与蝙蝠捕食策略的相关性。
关于蝙蝠的声学研究使用的通常是多变量统计，尤其是判别功能分析。基于判别功能 分析原理的探测仪器对蝙蝠通常只能鉴定到属的水平，很难鉴别到种的水平。近几年，一 些学者将回声定位声波与人工神经网络相结合判别蝙蝠种类(Vaughan 1997b；Fukui et al.， 2004)，例如Burnett和Masters应用人工神经网络中的信息反馈网络和自组图方法将大棕蝠 不同个体的叫声进行归类，能准确地识别出50％的个体；Parsons和Jones应用这项技术对 英国12种蝙蝠进行分类，准确率达到87％。
发明内容
为了统计某一区域蝙蝠种类及数量分布情况，克服研究人员野外工作的困难，本发明 提供一种根据蝙蝠声波自动测定识别蝙蝠种类及统计蝙蝠数量的方法。
本发明解决其技术问题所采用的技术方案是：系统由信号采集模块、信号预处理模块 和识别模块三部分组成。信号采集模块由超声波监听仪(U30，Ultra Sound Advice，UK)和 超声波处理仪(PUSP，Ultra Sound Advice，UK)组成；信号预处理模块由DSP，FLASH 和数据RAM组成，对采样模块送来的数据进行预处理，对采样信号进行端点检测，并将 个体声波提取出来；识别模块包括特征向量提取(包括回声定位声波特征及小波包分解能 量参数)以及神经网络识别。在本系统中，软件处理部分由端点检测、特征参数提取、神 经网络识别三部分组成。
该发明通过对回声定位声波的采集和处理，能够根据统计学的原理判断特定研究区内 蝙蝠种类及分布情况，并可能发现本系统数据库中未有的蝙蝠种类，便于研究人员发现新 的蝙蝠物种。本发明对四种菊头蝠的回声定位声波进行三层小波包分解，提取各频率通道 的能量作为特征参数，然后用训练样本对BP神经网络进行训练，使其能够根据输入参数 识别四种菊头蝠。用未用于训练的声波样本检验，四种菊头蝠的识别率可同时达到97％以 上。
附图说明
附图为应用蝙蝠回声定位声波测定识别蝙蝠种类的方法的步骤示意图。
具体实施方式
应用蝙蝠回声定位声波测定识别蝙蝠种类的方法主要有以下步骤：
1、信号采集：信号采样是通过使用超声波监听仪接收超声波(采样频率441kHz)， 通过线路传输到超声波处理仪将超声波转换为原频率的1/10后，通过线路传送至DSP缓冲 区；
2、蝙蝠个体回声定位信号的获得：蝙蝠个体叫声信号的获得需要解决两个问题，一 是有无蝙蝠叫声的判断；二是群体叫声和个体叫声的区别。
有无蝙蝠叫声的判断，从信号处理的角度属于端点检测问题。端点检测的方法很多， 本系统采用短时能量方法检测叫声信号，排除无声段。短时能量法是对声信号进行分析的 一种基本方法，信号x(t)的能量函数定义为E(t)＝∫x2(t)dt，对x2(t)在某时间段内做 定积分得到的是信号x(t)在该段时间内的能量值，在几何意义上也就是该时间段内的能 量函数与时间轴包围的面积的大小。由于超声衰减比可闻声要大得多，所以，超声频段的 背景噪声很低，有蝙蝠叫声时信号的能量值(即函数与时间轴包围的面积)将明显大于无 蝙蝠叫声时的能量值(即函数与时间轴包围的面积)。于是我们可以根据信号的能量函数 给出一个能量阈值Eth，能量值大于Eth的为有声信号段，小于Eth的为无声信号段。具 体步骤如下：首先对获得的声信号进行分帧，根据能量函数公式求出每帧内的能量值，做 出其短时能量谱。假设前几帧是噪声帧，计算出它们的平均能量值A，将A的1.5倍作为 门限值。再选定合适的积分区间的长度T。当信号在时间t1其幅值大于A的1.5倍时，就 从t1开始对能量函数进行积分，积分长度为T，得到的积分值就是被测信号在t1到t1+T 之间的能量值。如果该能量值小于能量阈值Eth，说明在t1到t1+T之间无蝙蝠叫声，即无 声段，该段信号不进入下一步处理；
群体叫声和个体叫声的判断根据蝙蝠声波的声脉冲持续时间和频域特征来实现。群体 叫声是一种统计声学现象，信号属于宽带噪声，且持续时间长。已有研究表明，蝙蝠个体 叫声分为扫频声(调频声)(FM)和恒频声(CF)及准恒频声(QCF)，这几种个体叫声方式 与蝙蝠群体叫声的差异非常大，即个体叫声持续时间长则频带窄，频带宽则持续时间短， 以及个体叫声持续时间有限等特征，通过这些特征可以排除群体声波段，采获蝙蝠个体回 声定位声波信号。
3、特征量的确定与优化及神经网络分类器的训练：该部分工作采用离线方式先期进 行。将已知的蝙蝠叫声样本进行声波特征参数提取和小波包通道能量参数提取，组成特征 参数集合，利用粗糙集对属性重要性的分析方法，对特征参数集合中的各个参数分类功能的 重要性进行比较，得到各个参数对蝙蝠分类重要程度的排序，将重要程度相对微小的参数剔 除，从而达到参量指标优化的目的。可以用来进行蝙蝠种类鉴别的参数集合构成蝙蝠种类 特征向量，张成一个特征空间。在这个空间里，相同种类蝙蝠特征向量之间的距离明显小 于不同种类蝙蝠特征向量之间的距离。采用比较成熟的BP神经网络，形成的特征向量作为 神经网络的输入向量，欲识别的蝙蝠种类作为神经网络的输出向量，输出向量的维度要多 于待测地区已知蝙蝠种类数，多出的维度作为未知种类识别的备用端。用训练样本对BP 神经网络进行训练，使其能够根据输入参数识别已知蝙蝠种类，并对未知种类给出提示信 号。
4、已知种类的识别与统计：对采获的个体蝙蝠回声信号按优化好的特征量集合进行 特征量提取，并输入到已训练过的BP神经网络中，若信号为已知种类蝙蝠的叫声，则对蝙 蝠进行种类识别和统计，若信号为未知种类的蝙蝠叫声则给出标示，便于研究人员发现和 研究未知种类的蝙蝠。通过对识别次数和结果的纪录，统计被测区域蝙蝠种类的分布比例， 为研究人员保护蝙蝠提供帮助。
5、未知种类信号的处理：若信号为未知种类的蝙蝠叫声时，系统给出表示，并将该 信号存入未知信号数据库。对于样本足够多的未知信号数据库进行神经网络聚类分析，以 确定未知蝙蝠种类数，并将结果提供给研究人员。新的蝙蝠种类确定后可作为已知样本对 神经网络进行再训练，扩展神经网络的识别种类。