Functional data analysis to describe and classify southern resident killer whale calls
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Southern Resident Killer Whale (SRKW) is an endangered population of whales found in the northeast Pacific. They have a vocal dialect unique from other killer whales, having a repertoire of distinct stereotyped calls. A framework for distinguishing SRKW call types using the frequency traces of the amplitude ridges from their spectrograms (termed frequency ridges) is proposed. The first step is the extraction of these ridges of SRKW calls using an Sequential Monte Carlo approach. Next, they are converted into functional data using B-spline functions. They are analyzed with a functional principal component (FPC) analysis to characterise the intrinsic variability of frequency ridges within a call type. The FPCs are able to capture the general patterns in the frequency ridges of the different SRKW call types. The FPCs are also used as the basis for call classification. Using a cross-validation procedure to assess the robustness of the classification, this framework proves to be successful for classification with some call types having an F1-score ≥ 80 % , but other calls less well discriminated. On balance, this approach showed reasonable performance given the small sample size available, and provides a useful contribution towards the development of a universal tool for call classification. • The Southern resident killer whale is endangered. • Clues on their call types resides in their frequency ridge shapes in the spectrogram. • Functional data analysis can be used to classify frequency ridges into call types. • Functional data analysis offers a novel approach for acoustically distinguishing pods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle