Resumen

La clasificacin de los sonidos de las aves es importante para la vigilancia ecolgica. Aunque la extraccin de caractersticas desde mltiples perspectivas ayuda a describir completamente la informacin objetivo, es urgente hacer frente a la enorme dimensin de las caractersticas y a la maldicin de la dimensionalidad. Por lo tanto, es necesario seleccionar las caractersticas. Este artculo propone un mtodo de puntuacin de caractersticas denominado MICV (Informacin Mutua y Coeficiente de Variacin), que utiliza el coeficiente de variacin y la informacin mutua para evaluar la contribucin de cada caracterstica a la clasificacin. A continuacin, se explora un mtodo denominado ERMFT (Eliminating Redundancy Based on Maximum Feature Tree) basado en dos vecindarios para eliminar la redundancia y optimizar las caractersticas. Estos dos mtodos se combinan en el mtodo MICV-ERMFT para seleccionar las caractersticas ptimas. Se realizan experimentos para comparar ocho mtodos diferentes de seleccin de caractersticas con dos conjuntos de datos de sonidos de pjaros y grullas. Los resultados muestran que el mtodo MICV-ERMFT supera a otros mtodos de seleccin de caractersticas en la precisin de la clasificacin y consume menos tiempo.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Clasificación; Sonidos de aves; Vigilancia ecológica; Selección de características; MICV; ERMFT
• Keywords:Classification; Bird sounds; Ecological monitoring; Feature selection; MICV; ERMFT