Discrimination des appels chez les mammifères marins à l'aide de réseaux de neurones artificiels

Des travaux récents ont appliqué un filtre de corrélateur de spectrogramme linéaire (SCF) pour détecter les notes de chant de la baleine boréale (Balaena mysticetus), surpassant à la fois un filtre apparié en série temporelle et un modèle de Markov caché. La méthode repose sur une matrice de pondération empirique. Un réseau de neurones artificiels (ANN) pourrait être encore meilleur, car il offre deux avantages : (i) la matrice de pondération équivalente est déterminée par l'entraînement et peut converger vers une solution plus optimale et (ii) un ANN est un estimateur non linéaire et peut incarner des réponses plus sophistiquées. Un ANN à trois couches à propagation avant est idéalement adapté à cette application et a été mis en œuvre sur 1475 sons, dont 54 % ont été utilisés pour l'entraînement et 46 % conservés comme données de test "inconnues". Le taux d'erreur de l'ANN entraîné était de 1,5 %, une amélioration double par rapport aux méthodes précédentes. Il est montré que les neurones cachés de l'ANN peuvent être interrogés pour révéler le paradigme opérationnel développé pendant l'entraînement. La fonction de chacun de ces neurones peut être déterminée en termes de caractéristiques spectrographiques des appels d'entraînement. De plus, le paradigme opérationnel peut être contrôlé et le temps d'entraînement réduit en assignant des tâches de reconnaissance spécifiques aux neurones cachés avant l'entraînement, plutôt qu'en initiant l'entraînement avec des poids aléatoires. L'ANN est comparé au SCF et le rôle des neurones "cachés" et des matrices de pondération équivalentes est discuté.