1.一种基于鸟鸣声的鸟种类识别方法，其特征在于该方法包括：(1)获取若干段鸟鸣声，并对鸟鸣声进行预处理；

(2)对于每段预处理后的鸟鸣声，分别采用两组不同的滤波器组对鸟鸣声的功率谱进行滤波，并分别提取滤波后的信号的系数，再将两组系数、鸟鸣声短时能量和鸟鸣声短时过零率组成当前鸟鸣声的特征向量；

(3)构造非线性分类模型，并采用猎物优化方法寻找到非线性分类模型中的最优核函数，其中，寻找过程中位置的适应度为以当前位置为核参数的核函数进行鸟种类识别的识别结果与实际结果相同的数量；

(4)将提取的鸟鸣声特征向量输入非线性分类模型进行学习；

(5)按照步骤(1)(2)提取待识别鸟鸣声的特征向量，并将特征向量输入已学习好的非线性分类模型中，识别出鸟种类。

2.根据权利要求1所述的基于鸟鸣声的鸟种类识别方法，其特征在于：步骤(1)中所述预处理包括加重和加窗。

3.根据权利要求1所述的基于鸟鸣声的鸟种类识别方法，其特征在于：步骤(2)具体包括：(2‑1)对处理后的鸟鸣声做傅里叶变换，并根据变换后的信号计算鸟鸣声的功率谱P(k)，0≤k≤N‑1，k表示鸟鸣声的数据序号，N表示鸟鸣声的数据数量；

(2‑2)对鸟鸣声的功率谱采用第一组滤波器组进行滤波，得到滤波信号S1(m)：MH＝(1‑α)(f1(m)‑f1(m‑1)+1) 0≤α≤1MR＝α(f1(m+1)‑f1(m)+1) 0≤α≤1式中，m代表滤波器序号，M代表使用的滤波器的个数，H1m(k)代表第一组滤波器组中第m个滤波器，f1(m)、f1(m‑1)、f1(m+1)代表第一组滤波器组中第m、m‑1、m+1个滤波器的中心频率,α代表滤波器的权系数，0≤α≤1，fs代表采样频率，fh代表鸟鸣声频率范围内的最高频‑1 */1125率，fl代表鸟鸣声频率范围内的最低频率，F(*)＝1127*ln(1+*/700)，F (*)＝700(e ‑

1)；

(2‑3)按照下式提取滤波信号S1(m)的系数C1(n)：式中，L表示阶数；

(2‑4)对鸟鸣声的功率谱采用第二组滤波器组进行滤波，得到滤波信号S2(m)：NH＝(1‑α)(f2(m)‑f2(m‑1)+1) 0≤α≤1NR＝α(f2(m+1)‑f2(m)+1) 0≤α≤1式中，H2m(k)代表第二组滤波器组中第m个滤波器，f2(m)、f2(m‑1)、f2(m+1)代表第二组滤波器组中第m、m‑1、m+1个滤波器的中心频率，FF(*)＝2195‑2595*log(1+(4031‑*)/700),‑1 */2595FF (*)＝700(10 ‑1)；

(2‑5)按照下式提取滤波信号S2(m)的系数C2(n)：(2‑6)按照下式计算鸟鸣声的短时能量E：

式中，d(p)表示预处理后的鸟鸣声的第p个数据；

(2‑7)按照下式计算鸟鸣声的短时过零率Z：

式中，sgn[]是符号函数，d(p‑1)表示预处理后的鸟鸣声的第p‑1个数据；

(2‑8)将C1(n)、C2(n)、E和Z组成特征向量x：x＝[C1(n),C2(n),E,Z]。

4.根据权利要求1所述的基于鸟鸣声的鸟种类识别方法，其特征在于：步骤(3)具体包括：(3‑1)构造非线性分类模型f(x)

式中，x为任一段鸟鸣声的特征向量，Q为用于训练分类模型的鸟鸣声的总段数，xq为用于训练分类模型的鸟鸣声中第q段鸟鸣声的特征向量，yq为第q段鸟鸣声的分类标签，具体为‑1或1，‑1表示非此类鸟，1表示是此类鸟，aq为权系数，b为预设偏置参数，aq、b为待学习参数, 为核函数，d1是核参数；

(3‑2)采用猎物优化方法寻找到核函数的最优核参数，从而得到最优核函数，其中，寻找过程中位置的适应度为以当前位置为核参数的核函数进行鸟种类识别的识别结果与实际结果相同的数量。

5.根据权利要求4所述的基于鸟鸣声的鸟种类识别方法，其特征在于：步骤(3‑2)具体包括：(3‑2‑1)将核参数作为猎物，初始化种群数P1、最大迭代次数maxi、目标空间上下界，并按照下式设置猎人和猎物初始位置；

γ0＝rand(1,g)*(ub‑lb)+lb其中，γ0是猎人和猎物的初始位置，lb是目标空间最小值，ub是目标空间最大值，g是变量的数量，rand(1,g)生成一行g列的0‑1之间的随机数矩阵；

(3‑2‑2)按下式更新位置：

γi+1,j＝γi,j+0.5[(2CZwzi,j‑γi,j)+(2(1‑C)Zu(j)‑γi,j)]式中，γi+1,j是第i+1次迭代时第j个猎人和猎物的位置，γi,j是第i次迭代时第j个猎人和猎物的位置，wzi,j是第i次迭代时第j个猎物位置，Z是自适应参数，且R2是[0,1]内的随机数， 是[0,1]内的随机向量，IDX是满足条件(P2＝＝0)的向量 的索引值，P2是 的索引值， 是[0,1]内的随机向量,C是平衡参数，且 u(j)是位置的平均值，且(3‑2‑3)按下式计算位置的适应度：

shf(γi,j)＝curi,j

shf(γi+1,j)＝curi+1,j

式中，shf(γi,j)、shf(γi+1,j)分别表示位置γi,j和γi+1,j的适应度，curi,j和curi+1,j分别是以γi,j和γi+1,j为核参数的核函数进行鸟种类识别的识别结果与实际结果相同的数量；

(3‑2‑4)基于适应度更新猎物位置wzi+1,j：(3‑2‑5)判断迭代次数i是否小于maxi，若是，返回执行步骤(3‑2‑2)，若否，则将此时的γi+1,j作为最优核参数输出。

6.根据权利要求4所述的基于鸟鸣声的鸟种类识别方法，其特征在于：步骤(4)具体包括：(4‑1)将鸟鸣声特征向量按照8：2比例随机划分为训练集和测试集；

(4‑2)将训练集输入到非线性分类模型f(x)中，求出最优的aq和b，其中，求解aq时，aq应满足：

且

求解b时，任意选择一个鸟鸣声特征向量x*及其对应标签y*，按下式计算b，(4‑3)采用测试集评价将训练后的非线性分类模型，达到预设评价标准则判定模型训练完成。

7.一种基于鸟鸣声的鸟种类识别装置，其特征在于，包括：存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1‑6中任一所述方法。

8.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1‑6中任一所述方法。