到了交配季节，加利福尼亚海岸的鱼儿会在傍晚和日出前唱起爱的歌曲。 他们的声音不像孤独的低吟者那么多，而是合唱，在某些情况下声音大到从陆地上都能听到。 这是青蛙、昆虫、鲸鱼和其他动物在适当的时候共享的一种浪漫技巧。

对于大多数这些人声改编，副歌都是低频的。 它们很难与夜间驶过的船只的声音区分开来。

然而，生物学家长期以来一直有兴趣以了解鱼类行为的名义倾听它们的最终目标：它们可以通过确定产卵季节为渔业管理提供信息来帮助保护鱼类种群和海洋健康。

现在，加州大学圣地亚哥分校斯克里普斯海洋学研究所的科学家及其同事已经开发出一种方法，让计算机可以筛选由被称为 HARP 的现场声学记录包收集的声音，并比训练有素的人类分析师更快地处理它们。 该方法代表了信号处理领域的重大进步，其用途超出了海洋环境。

“我希望这种方法能够帮助其他人更轻松地自动分离和检测信号，以便了解鱼类交配的地点和时间。”斯克里普斯海洋学研究生和该研究的主要作者埃拉金说。 “除了鱼，这种方法可以很容易地应用于其他音景，以了解更多关于青蛙、鸟类、蝙蝠和其他动物的信息。”

在美国国家海洋和大气局 在海军资助的研究中，Kim 及其同事使用一种她称为 SoundScape Learning (SSL) 的技术将鱼的合唱声音从整体音景中分离出来。 SoundScape Learning 将既定的声音分析方法与神经网络相结合，神经网络是一种基于人脑神经元如何实现认知的信息处理范例。

研究合著者凯特琳·弗雷泽 (Kaitlin Frasier) 是一名斯克里普斯海洋学海洋声学专家，她在自己的研究中使用人工智能分析海豚的咔哒声，她说，科学家们经常训练机器寻找海洋中的特定声音，但音景的强度使这项任务变得困难。

“Ella 的方法旨在教会计算机看大局，寻找并学习识别声音事件，比如进入森林而不是树木。”

研究人员称之为“去噪”，是因为 SSL 将反复发生的事件分开，并将它们放入研究人员称之为“低秩”矩阵中。 这些稳定的声音与瞬态声音是分开的，例如鲸鱼或船只经过时发出的声音。 鱼合唱每晚都会进行，因此程序将它们放入低阶矩阵中。 瞬态声音被分类到一个“稀疏”矩阵中。

Kim 和 Frasier 提供了各种隐喻来帮助非声学专家理解这个概念。 Kim 建议考虑使用交通摄像头连续数小时记录一段高速公路的镜头。 道路本身将位于低秩矩阵中。 汽车行驶的视频被发送到稀疏矩阵。

Frasier 提出，“我们不再试图识别录音中的单个单词，就像我们在街角放了一个麦克风，我们现在能够识别一小群路过聊天的人、飞过的飞机和灯光 车辆交通。 该算法正在学习通过审查大量数据自行识别每个类别的声学特征。”

Kim 说，节省的时间非常可观。 在这项研究中，机器收听了在加利福尼亚海岸收集的 5.3 年的音频。 一名熟悉该地区鱼类合唱的熟练声学家需要一个月的时间才能手动完成这项工作，但一旦 SSL 得到培训，这个过程只需要几天时间。

该研究发表在 2023 年 3 月 15 日的《美国声学学会杂志》上。 共同作者包括斯克里普斯海洋学的 Annebelle Kok、Gabrielle Arrieta、Sean Wiggins 和 Simone Baumann-Pickering； 国家海洋保护区基金会的 Megan McKenna 和 Lindsey Peavey Reeves； 和蒙特利湾水族馆研究所的 William Oestreich。

注：本文由院校官方新闻直译，仅供参考，不代表指南者留学态度观点。