Species identification using wideband backscatter with neural network and discriminant analysis

Sweetman, John; Armstrong, Frederick H.; Copland, Philip

doi:10.1006/jmsc.1996.0021

Cited by 105 publications

(75 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…La menor exactitud indicada se debe a que el método multiclase utilizó en el proceso de clasificación una tercera especie (jurel), lo que genera funciones de decisión más complejas, adicionalmente la muestra utilizada en el proceso de calibración se encontraba desbalanceada, factores que sin duda podrían incidir en la menor clasificación. Estudios similares sobre estas especies en el área no han sido reportados, sin embargo, otros estudios con otros métodos y especies reportan tasas de clasificación entre 77 y 96% (Haralabous & Georgakarakos, 1996;Simmonds et al, 1996;Lawson et al, 2001;Cabreira et al, 2009;Korneliussen et al, 2009;Fernandes, 2009).…”

Section: Parámetrosunclassified

“…La clasificación de cardúmenes monoespecíficos con información de una única frecuencia acústica se ha realizado mediante un amplio rango de técnicas estadísticas, destacándose los métodos multivariados como análisis de componentes principales y de funciones discriminantes (Nero & Magnuson, 1989;Vray et al, 1990;Scalabrin et al, 1996;Lawson et al, 2001). También se han aplicado métodos de clasificación como redes neuronales artificiales (Haralabous & Georgakarakos, 1996;Simmonds et al, 1996;Cabreira et al, 2009); análisis del vecino más cercano (Richards et al, 1991); conglomerados k-medias (Tegowski et al, 2003); modelos mixtos (Fleischman & Burwen, 2003), método de Kernel (Buelens et al, 2009); métodos árboles de clasificación (Fernandes, 2009). Demer et al (2009) utilizan el análisis estadístico espectral.…”

Section: Introductionunclassified

See 1 more Smart Citation

Clasificacion acustica de anchoveta (Engraulis ringens) y sardina comun (Strangomera bentincki) mediante maquinas de vectores soporte en la zona centro sur de Chile: efecto de la calibracion de los parametros en la matriz de confusion

Robotham

Bosch

Castillo

et al. 2012

lajar

View full text Add to dashboard Cite

Clasificación acústica de anchoveta (Engraulis ringens) y sardina común(Strangomera bentincki) mediante máquinas de vectores soporte en la zona centro-sur de Chile: efecto de la calibración de los parámetros en la matriz de confusión . Para esto se utilizaron descriptores de cardúmenes extraídos desde ecogramas, que fueron clasificados como morfológicos, batimétricos, energéticos y posicional espacial. Para lograr clasificaciones precisas mediante la utilización de esta metodología, fue necesario optimizar parámetros correspondientes al Kernel-Gaussiano, γ y de penalización del modelo C, mediante el análisis del efecto de la calibración sobre las matrices de confusión resultantes de la clasificación de las especies analizadas. El método SVM ajustó correctamente el 95,3% de los cardúmenes de anchoveta y sardina común. Los parámetros óptimos del Kernel-Gaussiano γ y de penalización C obtenidos mediante la metodología propuesta fueron γ = 450 y C = 0,95, respectivamente. Los parámetros mencionados incidieron de manera importante en la matriz de confusión y los porcentajes de clasificación final, por lo que se sugiere establecer, en aplicaciones futuras de este método, un protocolo experimental de calibración. La sardina común fue la especie con menor error de clasificación en el conjunto de las matrices de confusión. El descriptor correspondiente a profundidad del fondo fue el más sensible al SVM, la segunda variable en importancia es el descriptor distancia a la costa. Palabras clave: máquinas de vectores soporte, clasificación de especies, hidroacústica, peces pelágicos, anchoveta, sardina, Chile. Acoustic classification of anchovy (Engraulis ringens) and sardine (Strangomera bentincki) using support vector machines in central-southernChile: effect of parameter calibration on the confusion matrix ABSTRACT. The support vector machines (SVM) method was used to classify the anchovy (Engraulis ringens) and common sardine (Strangomera bentincki) species detected in south-central Chile by means of acoustic equipment. For this, descriptors of fish schools (morphology, bathymetry, energy, spatial position) extracted from ecograms were used. In order to obtain precise classifications using this methodology, it was necessary to optimize the parameters Gaussian-Kernel γ and penalty term C by analyzing the effect of the calibration on the confusion matrices resulting from the classification of the species under study. The SVM method correctly classified 95.3% of anchovy and sardine schools. The optimal parameters of the GaussianKernel γ and penalty C obtained with the proposed methodology were γ = 450 and C = 0.95. These parameters have an important influence over the confusion matrix and the final classifications percentages, suggesting the development of experimental protocols for calibrating these parameters in future applications of this methodology. In all the confusion matrices, the common sardine showed the lowest classification error. The bottom depth was the descriptor that was most sensitive to the SVM, followed by...

show abstract

Section: Parámetrosunclassified

Section: Introductionunclassified

Clasificacion acustica de anchoveta (Engraulis ringens) y sardina comun (Strangomera bentincki) mediante maquinas de vectores soporte en la zona centro sur de Chile: efecto de la calibracion de los parametros en la matriz de confusion

Robotham

Bosch

Castillo

et al. 2012

lajar

View full text Add to dashboard Cite

show abstract

“…The potential for this technique is supported by broadband measurements on caged aggregations of fish (e.g. Simmonds and Armstrong, 1990;Simmonds et al, 1996), free-swimming individual fish (e.g. Lundgren and Nielsen, 2008), and numerous broadband laboratory measurements of fish (e.g.…”

Section: Approachmentioning

confidence: 99%

Continued Analysis of High-Frequency Broadband Acoustic Scattering from Non-Linear Internal Waves during SW06

Lavery¹

2010

View full text Add to dashboard Cite

LONG-TERM GOALSTo understand high-frequency broadband acoustic backscattering from small-scale physical processes, such as internal waves, turbulence, and microstructure, in shallow, stratified waters. OBJECTIVESThe primary objective of the overall research program was to measure high-frequency broadband acoustic backscattering in highly stratified, energetic environments and to determine the contribution to scattering from temperature and salinity microstructure. Testing the validity of existing scattering models and the initial development of new, and/or extensions of existing, simple physics-based scattering models was a secondary objective of this work.To accomplish the stated objectives, high-frequency broadband (150-600 kHz) acoustic backscattering measurements were performed during the generation, propagation, and dissipation of non-linear internal waves in August 2006 as a part of the SW06/NLIWI experiment. Almost coincident microstructure measurements were collected by Jim Moum with a profiling microstructure instrument, Chameleon. The contribution to scattering from biological organisms was quantified using netsamples, from which the zooplankton taxa, size, and depth (in coarse vertical bins) can be determined.Analysis of these data to date has focused on (1) determining the dominant scattering mechanisms giving rise to enhanced backscattering often associated with the passage of non-linear internal waves, with particular attention given to elevated scattering associated to Kelvin-Helmholtz instabilities, and (2) inverting the broadband scattering data for meaningful biological and physical parameters and comparing the acoustically-inferred to directly measured parameters, thereby allowing the validity of the scattering models to be tested.The primary objectives of the effort described here are: 1) to understanding and quantifying the contribution to acoustic backscattering from the seasonal pycnocline, 2) to investigate the statistics

show abstract

“…Some work has been done on identifying individual fish and fish schools from both single-frequency and multiple frequency acoustic returns (e.g. Deuser et al 1979, , Lebourges 1990, Scalabrin et al 1996, Simmonds et al 1996. have estimated the size distribution of a zooplankton assemblage based on volume scattering data from a multi-frequency sonar system using several discrete frequencies.…”

Section: The Inverse Problemmentioning

confidence: 99%

Acoustic classification of zooplankton

Traykovski¹,

Linda²

1998

View full text Add to dashboard Cite

Species identification using wideband backscatter with neural network and discriminant analysis

Cited by 105 publications

References 2 publications

Clasificacion acustica de anchoveta (Engraulis ringens) y sardina comun (Strangomera bentincki) mediante maquinas de vectores soporte en la zona centro sur de Chile: efecto de la calibracion de los parametros en la matriz de confusion

Clasificacion acustica de anchoveta (Engraulis ringens) y sardina comun (Strangomera bentincki) mediante maquinas de vectores soporte en la zona centro sur de Chile: efecto de la calibracion de los parametros en la matriz de confusion

Continued Analysis of High-Frequency Broadband Acoustic Scattering from Non-Linear Internal Waves during SW06

Acoustic classification of zooplankton

Contact Info

Product

Resources

About