احمد بناکار - استادیار دانشگاه تربیت مدرس
مفداد خزایی - دانشجوی دکتری

در این مقاله روشی هوشمند به منظور طبقه­بندی اردک­های سالم و بیمار بر اساس صدای منتشره از آن­ها طراحی و به کار گرفته شده است. بدین منظور ابتدا پرندگان بر اساس وضعیت سلامتی به دو طبقه­ی سالم و بیمار تقسیم و صدای هر یک توسط یک میکروفن ثبت شد. سیگنال­های تحصیل شده توسط تبدیل سریع فوریه از حوزه­ی زمان به حوزه فرکانس انتقال یافتند. سپس ۵ تابع ویژگی واریانس، انحراف از معیار، ریشه­ی میانگین مربعات، میانگین و کورتسیس از سیگنال های حوزه­ی زمان و فرکانس استخراج شدند. از دو طبقه­بند شبکه عصبی مصنوعی و ماشین بردار پشتیبان به منظور شناسایی سیگنال­های صدا استفاده شد. شبکه عصبی مصنوعی توانست به ترتیب با دقت ۷۵ و ۱/۸۲ درصد و ماشین بردار پشتیبان نیز به ترتیب با دقت ۷/۸۵ و ۸/۹۲ درصد بر اساس سیگنال­های حوزه زمان و حوزه­ی فرکانس، سیگنال های صدای مربوط به اردک­های بیمار و سالم را از یکدیگر تشخیص دهند.

تشخیص پرندگان بیمار, سیگنال های صدا, داده کاوی, شبکه عصبی مصنوعی, ماشین بردار پشتیبان