我國是淡水魚養(yǎng)殖大國,淡水魚產(chǎn)量逐年遞增,漁業(yè)養(yǎng)殖中一個非常重要的問題是魚類數(shù)量的估計,傳統(tǒng)估計方法主要適用于海洋和大型湖泊,而缺少針對于對一般淡水養(yǎng)殖的魚類數(shù)量估計手段,由此本文以鳊魚和鯽魚兩種淡水魚為研究對象,采集了7種比例和15種數(shù)量下鳊魚鯽魚的聲音信號,經(jīng)歸一化和濾波處理后,提取了魚聲信號特征,分別建立了鳊魚鯽魚混合比例識別模型和混合數(shù)量預測模型,主要研究結論如下:1.采集了不同比例和不同數(shù)量下鳊魚鯽魚的聲音信號,其中比例依次為1:1、1:2、1:3、1:4、2:1、3:1和4:1,及比例在1:1條件下,總數(shù)量依次從2條、4條、6條遞增至30條,對信號分別進行了巴特沃斯低通濾波、等波紋濾波、小波濾波和維納濾波處理,提取了不同比例和不同數(shù)量下鳊魚鯽魚聲音信號基于小波包分解的頻段能量、平均Mel倒譜系數(shù)和基于功率譜的主峰頻率及主峰值三類特征。2.建立了鳊魚鯽魚混合比例識別模型。分別運用概率神經(jīng)網(wǎng)絡和支持向量機構建了鳊魚鯽魚比例識別分類器,用二次網(wǎng)格搜索優(yōu)化分類器中的超參數(shù),以10次10折交叉驗證后的平均分類準確率作為分類器性能指標來評價模型,結果表明:所構建的概率神經(jīng)網(wǎng)絡模型中,選用等波紋濾波處理,平滑因子取0.09時模型性能最好,識別率達到0.9067。所構建的支持向量機模型中,選用等波紋濾波處理,懲罰系數(shù)取90.5097,高斯核函數(shù)參數(shù)取2.0000時,模型性能最好,識別率達到0.9583。3.建立了鳊魚鯽魚混合數(shù)量預測模型。利用Rank-RS法將原始樣本劃分為訓練集和驗證集,再運用基于普通最小二乘法的多元線性回歸建立了鳊魚鯽魚數(shù)量預測模型,結果表明:(1)所構建的模型中,經(jīng)巴特沃斯低通濾波處理后數(shù)據(jù)所建模型性能最好,其訓練集決定系數(shù)~2為0.9522,調整的決定系數(shù)?~2為0.9514,定標均方誤差RMSEC為0.9443,驗證集決定系數(shù)~2為0.9555,驗證均方誤差RMSEP為0.9108,相對分析誤差RPD為4.7571。(2)采用t檢驗來判斷上述模型中各特征值對數(shù)量影響的顯著性時,共有12個特征對數(shù)量有顯著影響(P0.05),且對數(shù)量影響最大的依次是第22、23、4和20個特征,它們分別代表了第6、7個平均Mel倒譜系數(shù)、375-500Hz內的頻段能量及第4個平均Mel倒譜系數(shù)。
【學位單位】：華中農業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：S932;TB56
【部分圖文】：

（a）鳊魚 （b）鯽魚圖 2-1 魚形體圖建立混合比例識別模型用魚共 8 條（鳊魚鯽魚各 4 條，試驗 1），由于魚的存活時間有限，建立混合數(shù)量預測模型時分三批采集信號，依次用魚 10 條（鳊魚鯽魚各 5 條，試驗 2），20 條（鳊魚鯽魚各 10 條，試驗 3）和 30 條（鳊魚鯽魚各 15 條，試驗 4），上述 4 次試驗用魚參數(shù)見表 2-1 所示。一般淡水養(yǎng)殖密度為12-50 尾/m3（單紅 2017），工業(yè)化高密度養(yǎng)殖密度為 11-103 尾/m3（李有根 2008），本文試驗密度為 12.5-187.5 尾/m3。表 2-1 試驗用魚參數(shù)表試驗序號試驗目的鳊魚 鯽魚數(shù)量尾質量g體長cm體寬cm數(shù)量尾質量g體長cm體寬cm1混合比例識別4 515.5±48.3 32.3±0.7 13.3±0.5 4 429.1±81.7 29.6±0.9 9.8±0.82混合數(shù)量預測5 668.2±45.3 38.1±0.8 16.1±0.6 5 333.5±11.3 23.5±0.4 7.3±0.3

華中農業(yè)大學 2019 屆碩士研究生學位（畢業(yè)）論文果與分析1 混合比例識別模型建立.1 魚聲信號鳊魚:鯽魚為 3:1 和鳊魚：鯽魚為 4:1 的聲音信號經(jīng)歸一化處理（處理時域波形及先經(jīng)歸一化處理，再分別經(jīng)維納濾波（處理 2），小波濾波3），等波紋濾波（處理 4）和巴特沃斯低通濾波（處理 5）處理后的時圖 3-1 所示。

依據(jù) 2.4 節(jié)中的特征提取方法，計算得出 7 種比例下魚聲信號特征值，840組魚聲信號樣本的特征是一個 840 行 30 列的矩陣，由于數(shù)據(jù)龐大，此處不一一列舉，僅列出不同比例鳊魚鯽魚經(jīng)巴特沃斯低通濾波后聲音信號的平均 Mel 倒譜系數(shù)，如圖 3-2 所示，每幅圖中每條曲線代表 1 個樣本信號的平均 Mel 倒譜系數(shù)（共 12 個）變化趨勢，從圖 3-2 可觀察得出，不同比例的鳊魚鯽魚聲音信號平均 Mel 倒譜系數(shù)圖有相同的部分，同時也存在差異，相同的地方體現(xiàn)在前 5個系數(shù)交替為峰谷，并且這 5 個系數(shù)更為集中，差異主要體現(xiàn)在后 7 個系數(shù)分散程度不同，比例 2、3、5 和 7 的魚聲信號平均 Mel 倒譜系數(shù)較 1、4 和 6 更為分散，這是由于平均 Mel 倒譜系數(shù)表征了魚類水聲信號的聲紋特征，并且是基于人類聽覺感知的低頻包絡特征，雖然不同品種的魚均有流線型形體，但是每種魚魚鰭的部位及其大小形狀有很大差異，從圖 2-1 中可知，鳊魚整體呈菱形，背鰭基部短，胸鰭短，臀鰭基部長，尾柄短而高；鯽魚整體呈梭型，背鰭基部長，外緣平直，胸鰭末端可達腹鰭起點，尾鰭是深叉形，體尾柄寬，這些體型上的異同導致不同比例鳊魚鯽魚混合時魚聲信號的聲紋特征的異同。

【相似文獻】

相關期刊論文 前10條

1 袁道任;蔡玉寶;胡爭爭;馬留洋;;基于腦認知信號的水聲信號智能辨識方法探索研究[J];現(xiàn)代信息科技;2019年04期

2 周慶飛;沈亞東;;簡析高頻水聲信號的空間相關性[J];科技傳播;2011年11期

3 賈建偉;;海上水聲信號處理算法中的物理特性仿真研究[J];艦船科學技術;2015年06期

4 吳光文;王昌明;張愛軍;;基于小波變換的水聲信號濾波方法[J];測試技術學報;2015年04期

5 江磊;蔡平;楊娟;王逸林;;一種新型水聲信號發(fā)射機的設計與研究[J];壓電與聲光;2007年06期

6 納杰斯;王心怡;;迭代維納濾波在水聲信號分離中的應用[J];艦船電子工程;2016年11期

7 肖鵬斌;孫偉瑋;;水聲信號預處理電路的設計與實現(xiàn)[J];四川兵工學報;2012年09期

8 劉楠;;水聲信號處理系統(tǒng)的應用與研究[J];信息通信;2018年06期

9 苗康樂;楊成偉;楊日杰;劉家祺;;水聲信號自動增益控制及幅值恢復電路設計實現(xiàn)[J];國外電子測量技術;2010年10期

10 張學林,孫進才;小波變換用于水聲信號的奇異性研究[J];西北工業(yè)大學學報;2000年04期

相關會議論文 前10條

1 周鶴峰;趙云;龔昌超;田章福;曾e

本文編號：2819307