發(fā)布時(shí)間：2023-04-17 01:00

　　反芻是反芻動(dòng)物將植物資源轉(zhuǎn)化為動(dòng)物資源的重要行為,并且反映了動(dòng)物的生理健康及福利水平。疾病、產(chǎn)犢、發(fā)情、日糧顆粒、應(yīng)激反應(yīng)等都會(huì)影響反芻行為的時(shí)長(zhǎng),因此可以通過(guò)監(jiān)測(cè)反芻行為的變化來(lái)反饋動(dòng)物的生理健康及福利水平。傳統(tǒng)的人工監(jiān)測(cè)方法耗時(shí)費(fèi)力,效率不高,隨著養(yǎng)殖規(guī)模的擴(kuò)大和精準(zhǔn)畜牧業(yè)研究的深入,對(duì)反芻自動(dòng)監(jiān)測(cè)系統(tǒng)的需求也日益增加。為了實(shí)現(xiàn)反芻行為的自動(dòng)監(jiān)測(cè),本文以壓力傳感器為核心器件,設(shè)計(jì)了一套奶牛鼻羈壓力信號(hào)獲取設(shè)備。通過(guò)分析鼻羈壓力信號(hào)的特點(diǎn),選取短時(shí)能量、標(biāo)準(zhǔn)差、形狀指數(shù)、均方根包絡(luò)和極值包絡(luò)作為鼻羈壓力信號(hào)的時(shí)域特征,選取周期圖法頻譜、多窗口法頻譜和最大熵法頻譜作為鼻羈壓力信號(hào)的頻域特征,并利用經(jīng)驗(yàn)?zāi)B(tài)分解獲取了鼻羈壓力信號(hào)的本征模態(tài)函數(shù)。采用Kruskal-Wallis檢驗(yàn)方法分別計(jì)算各類特征參數(shù)之間的區(qū)分度,在不影響模型識(shí)別準(zhǔn)確率的前提下,對(duì)9類特征參數(shù)進(jìn)行優(yōu)化,利用BP神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證對(duì)識(shí)別準(zhǔn)確率貢獻(xiàn)小的參數(shù),并將相應(yīng)特征參數(shù)剔除。驗(yàn)證結(jié)果表明可以將區(qū)分度小的參數(shù)去掉,并且不影響識(shí)別結(jié)果,這就有效的去除了冗余參數(shù)。完成特征參數(shù)的優(yōu)化后,分別利用BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)和決策樹分...

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
英文摘要
1 前言
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 技術(shù)路線與主要研究?jī)?nèi)容
2 反芻監(jiān)測(cè)系統(tǒng)總體設(shè)計(jì)
    2.1 系統(tǒng)整體架構(gòu)設(shè)計(jì)
    2.2 鼻羈壓力信號(hào)采集系統(tǒng)功能介紹
    2.3 無(wú)線數(shù)據(jù)傳輸層設(shè)計(jì)
        2.3.1 無(wú)線數(shù)據(jù)傳輸協(xié)議介紹
        2.3.2 無(wú)線傳輸網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
    2.4 反芻監(jiān)控軟件功能設(shè)計(jì)
    2.5 本章小結(jié)
3 鼻羈壓力信號(hào)的采集與處理
    3.1 試驗(yàn)對(duì)象及反芻信息采集方法
    3.2 鼻羈壓力信號(hào)處理分析
        3.2.1 鼻羈壓力信號(hào)預(yù)處理
        3.2.2 鼻羈壓力信號(hào)特點(diǎn)分析
    3.3 反芻鼻羈壓力信號(hào)特征參數(shù)提取
        3.3.1 時(shí)域特征提取
        3.3.2 頻域特征提取
        3.3.3 經(jīng)驗(yàn)?zāi)B(tài)分解
    3.4 反芻鼻羈壓力信號(hào)特征參數(shù)優(yōu)化
        3.4.1 BP神經(jīng)網(wǎng)絡(luò)分類模型
        3.4.2 時(shí)域特征優(yōu)化
        3.4.3 頻域特征優(yōu)化
        3.4.4 特征參數(shù)優(yōu)化效果分析
    3.5 本章小結(jié)
4 反芻主要參數(shù)識(shí)別模型構(gòu)建
    4.1 基于BP神經(jīng)網(wǎng)絡(luò)的反芻鼻羈壓力信號(hào)識(shí)別
    4.2 基于極限學(xué)習(xí)機(jī)的反芻鼻羈壓力信號(hào)識(shí)別
        4.2.1 極限學(xué)習(xí)機(jī)學(xué)習(xí)步驟
        4.2.2 基于極限學(xué)習(xí)機(jī)的反芻識(shí)別效果
    4.3 基于決策樹的反芻鼻羈壓力信號(hào)識(shí)別
        4.3.1 決策樹學(xué)習(xí)步驟
        4.3.2 基于決策樹的反芻識(shí)別效果
    4.4 反芻主要參數(shù)識(shí)別模型構(gòu)建
        4.4.1 最佳反芻識(shí)別模型選擇
        4.4.2 反芻主要參數(shù)識(shí)別模型
    4.5 本章小結(jié)
5 反芻監(jiān)測(cè)系統(tǒng)測(cè)試及試驗(yàn)驗(yàn)證
    5.1 試驗(yàn)對(duì)象及反芻信息采集
    5.2 基于鼻羈壓力的反芻識(shí)別算法性能分析
    5.3 本章小結(jié)
6 結(jié)論與展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3792243