基于U-MFCC特征提取与声纹识别模型的树种木质部空化超声信号波形净化研究

这篇研究创新性地将声纹识别技术应用于植物生理学领域，提出U-MFCC（Ultra-Mel频率倒谱系数）特征提取方法，通过ECAPA-TDNN、CAM++和ERes2Net三种先进神经网络模型，成功实现了木质部空化超声信号的噪声净化。相比传统聚类方法（K-means/AHC/GMM），该方案在分类准确率（Accuracy）、任务复杂度上限和结果稳定性方面均有显著突破，为植物水分运输机制研究提供了新的技术路径。

　　

本研究突破性地将声纹识别技术应用于植物生理学领域，针对木质部空化产生的超声波信号（0-10k Hz）开发了U-MFCC特征提取系统。通过设计三组自适应梅尔滤波器组、引入逆离散余弦变换（IDCT）和F-ratio特征筛选，结合主成分分析（PCA）降维，显著提升了信号特征的表征能力。实验采用盆栽活体刺槐（Robinia pseudoacacia）和圆柏（Juniperus chinensis）幼苗的空化信号，验证了该方法在三种前沿声纹模型（ECAPA-TDNN/CAM++/ERes2Net）中的卓越性能。

实验树种选择具有典型生态代表性的刺槐（落叶阔叶树）和圆柏（常绿针叶树）。刺槐作为豆科植物具有高耐旱性，其木质部易发生栓塞现象；而柏科植物圆柏则代表寒冷气候下的水分运输特性。两种树种在幼苗阶段的超声信号表现出显著不同的频率和振幅特征，为模型泛化能力测试提供了理想样本。

U-MFCC特征提取模块包含三大创新：

1. 融合MFCC/IMFCC/Mid-MFCC思想，开发适用于超声频段的梅尔滤波器组

2. 通过IDCT处理平衡算法性能与存储开销

3. 采用F-ratio公式筛选特征维度，结合PCA线性融合降维

   该方案通过消融实验验证了各模块的贡献度，为超声信号处理提供了标准化流程。

对比实验显示：在刺槐和圆柏数据集上，神经网络模型的分类准确率（Accuracy）较传统聚类方法（K-means/层次聚类/GMM）提升超过35%，F1-score达到0.92以上。特别值得注意的是，模型对两种不同进化地位的树种表现出稳定的跨物种识别能力，验证了U-MFCC特征提取的生物学普适性。

本研究成功将声纹识别模型拓展至植物超声信号处理领域，U-MFCC方法在空化信号净化方面展现出显著优势。该技术不仅解决了传统聚类方法面临的维度灾难和参数敏感性问题，更为地震波、电磁故障信号等非语音波形识别提供了新的研究范式，具有广阔的跨学科应用前景。