基于被动水声信号的混合淡水鱼数量预测
发布时间：2020-09-15 18:25
我国是淡水鱼养殖大国,淡水鱼产量逐年递增,渔业养殖中一个非常重要的问题是鱼类数量的估计,传统估计方法主要适用于海洋和大型湖泊,而缺少针对于对一般淡水养殖的鱼类数量估计手段,由此本文以鳊鱼和鲫鱼两种淡水鱼为研究对象,采集了7种比例和15种数量下鳊鱼鲫鱼的声音信号,经归一化和滤波处理后,提取了鱼声信号特征,分别建立了鳊鱼鲫鱼混合比例识别模型和混合数量预测模型,主要研究结论如下:1.采集了不同比例和不同数量下鳊鱼鲫鱼的声音信号,其中比例依次为1:1、1:2、1:3、1:4、2:1、3:1和4:1,及比例在1:1条件下,总数量依次从2条、4条、6条递增至30条,对信号分别进行了巴特沃斯低通滤波、等波纹滤波、小波滤波和维纳滤波处理,提取了不同比例和不同数量下鳊鱼鲫鱼声音信号基于小波包分解的频段能量、平均Mel倒谱系数和基于功率谱的主峰频率及主峰值三类特征。2.建立了鳊鱼鲫鱼混合比例识别模型。分别运用概率神经网络和支持向量机构建了鳊鱼鲫鱼比例识别分类器,用二次网格搜索优化分类器中的超参数,以10次10折交叉验证后的平均分类准确率作为分类器性能指标来评价模型,结果表明:所构建的概率神经网络模型中,选用等波纹滤波处理,平滑因子取0.09时模型性能最好,识别率达到0.9067。所构建的支持向量机模型中,选用等波纹滤波处理,惩罚系数取90.5097,高斯核函数参数取2.0000时,模型性能最好,识别率达到0.9583。3.建立了鳊鱼鲫鱼混合数量预测模型。利用Rank-RS法将原始样本划分为训练集和验证集,再运用基于普通最小二乘法的多元线性回归建立了鳊鱼鲫鱼数量预测模型,结果表明:(1)所构建的模型中,经巴特沃斯低通滤波处理后数据所建模型性能最好,其训练集决定系数~2为0.9522,调整的决定系数?~2为0.9514,定标均方误差RMSEC为0.9443,验证集决定系数~2为0.9555,验证均方误差RMSEP为0.9108,相对分析误差RPD为4.7571。(2)采用t检验来判断上述模型中各特征值对数量影响的显著性时,共有12个特征对数量有显著影响(P0.05),且对数量影响最大的依次是第22、23、4和20个特征,它们分别代表了第6、7个平均Mel倒谱系数、375-500Hz内的频段能量及第4个平均Mel倒谱系数。
【学位单位】：华中农业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S932;TB56
【部分图文】：
（a）鳊鱼 （b）鲫鱼图 2-1 鱼形体图建立混合比例识别模型用鱼共 8 条（鳊鱼鲫鱼各 4 条，试验 1），由于鱼的存活时间有限，建立混合数量预测模型时分三批采集信号，依次用鱼 10 条（鳊鱼鲫鱼各 5 条，试验 2），20 条（鳊鱼鲫鱼各 10 条，试验 3）和 30 条（鳊鱼鲫鱼各 15 条，试验 4），上述 4 次试验用鱼参数见表 2-1 所示。一般淡水养殖密度为12-50 尾/m3（单红 2017），工业化高密度养殖密度为 11-103 尾/m3（李有根 2008），本文试验密度为 12.5-187.5 尾/m3。表 2-1 试验用鱼参数表试验序号试验目的鳊鱼 鲫鱼数量尾质量g体长cm体宽cm数量尾质量g体长cm体宽cm1混合比例识别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混合数量预测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
华中农业大学 2019 届硕士研究生学位（毕业）论文果与分析1 混合比例识别模型建立.1 鱼声信号鳊鱼:鲫鱼为 3:1 和鳊鱼：鲫鱼为 4:1 的声音信号经归一化处理（处理时域波形及先经归一化处理，再分别经维纳滤波（处理 2），小波滤波3），等波纹滤波（处理 4）和巴特沃斯低通滤波（处理 5）处理后的时图 3-1 所示。
依据 2.4 节中的特征提取方法，计算得出 7 种比例下鱼声信号特征值，840组鱼声信号样本的特征是一个 840 行 30 列的矩阵，由于数据庞大，此处不一一列举，仅列出不同比例鳊鱼鲫鱼经巴特沃斯低通滤波后声音信号的平均 Mel 倒谱系数，如图 3-2 所示，每幅图中每条曲线代表 1 个样本信号的平均 Mel 倒谱系数（共 12 个）变化趋势，从图 3-2 可观察得出，不同比例的鳊鱼鲫鱼声音信号平均 Mel 倒谱系数图有相同的部分，同时也存在差异，相同的地方体现在前 5个系数交替为峰谷，并且这 5 个系数更为集中，差异主要体现在后 7 个系数分散程度不同，比例 2、3、5 和 7 的鱼声信号平均 Mel 倒谱系数较 1、4 和 6 更为分散，这是由于平均 Mel 倒谱系数表征了鱼类水声信号的声纹特征，并且是基于人类听觉感知的低频包络特征，虽然不同品种的鱼均有流线型形体，但是每种鱼鱼鳍的部位及其大小形状有很大差异，从图 2-1 中可知，鳊鱼整体呈菱形，背鳍基部短，胸鳍短，臀鳍基部长，尾柄短而高；鲫鱼整体呈梭型，背鳍基部长，外缘平直，胸鳍末端可达腹鳍起点，尾鳍是深叉形，体尾柄宽，这些体型上的异同导致不同比例鳊鱼鲫鱼混合时鱼声信号的声纹特征的异同。
【学位单位】：华中农业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S932;TB56
【部分图文】：
（a）鳊鱼 （b）鲫鱼图 2-1 鱼形体图建立混合比例识别模型用鱼共 8 条（鳊鱼鲫鱼各 4 条，试验 1），由于鱼的存活时间有限，建立混合数量预测模型时分三批采集信号，依次用鱼 10 条（鳊鱼鲫鱼各 5 条，试验 2），20 条（鳊鱼鲫鱼各 10 条，试验 3）和 30 条（鳊鱼鲫鱼各 15 条，试验 4），上述 4 次试验用鱼参数见表 2-1 所示。一般淡水养殖密度为12-50 尾/m3（单红 2017），工业化高密度养殖密度为 11-103 尾/m3（李有根 2008），本文试验密度为 12.5-187.5 尾/m3。表 2-1 试验用鱼参数表试验序号试验目的鳊鱼 鲫鱼数量尾质量g体长cm体宽cm数量尾质量g体长cm体宽cm1混合比例识别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混合数量预测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
华中农业大学 2019 届硕士研究生学位（毕业）论文果与分析1 混合比例识别模型建立.1 鱼声信号鳊鱼:鲫鱼为 3:1 和鳊鱼：鲫鱼为 4:1 的声音信号经归一化处理（处理时域波形及先经归一化处理，再分别经维纳滤波（处理 2），小波滤波3），等波纹滤波（处理 4）和巴特沃斯低通滤波（处理 5）处理后的时图 3-1 所示。
依据 2.4 节中的特征提取方法，计算得出 7 种比例下鱼声信号特征值，840组鱼声信号样本的特征是一个 840 行 30 列的矩阵，由于数据庞大，此处不一一列举，仅列出不同比例鳊鱼鲫鱼经巴特沃斯低通滤波后声音信号的平均 Mel 倒谱系数，如图 3-2 所示，每幅图中每条曲线代表 1 个样本信号的平均 Mel 倒谱系数（共 12 个）变化趋势，从图 3-2 可观察得出，不同比例的鳊鱼鲫鱼声音信号平均 Mel 倒谱系数图有相同的部分，同时也存在差异，相同的地方体现在前 5个系数交替为峰谷，并且这 5 个系数更为集中，差异主要体现在后 7 个系数分散程度不同，比例 2、3、5 和 7 的鱼声信号平均 Mel 倒谱系数较 1、4 和 6 更为分散，这是由于平均 Mel 倒谱系数表征了鱼类水声信号的声纹特征，并且是基于人类听觉感知的低频包络特征，虽然不同品种的鱼均有流线型形体，但是每种鱼鱼鳍的部位及其大小形状有很大差异，从图 2-1 中可知，鳊鱼整体呈菱形，背鳍基部短，胸鳍短，臀鳍基部长，尾柄短而高；鲫鱼整体呈梭型，背鳍基部长，外缘平直，胸鳍末端可达腹鳍起点，尾鳍是深叉形，体尾柄宽，这些体型上的异同导致不同比例鳊鱼鲫鱼混合时鱼声信号的声纹特征的异同。
【相似文献】
相关期刊论文 前10条
1 袁道任;蔡玉宝;胡争争;马留洋;;基于脑认知信号的水声信号智能辨识方法探索研究[J];现代信息科技;2019年04期
2 周庆飞;沈亚东;;简析高频水声信号的空间相关性[J];科技传播;2011年11期
3 贾建伟;;海上水声信号处理算法中的物理特性仿真研究[J];舰船科学技术;2015年06期
4 吴光文;王昌明;张爱军;;基于小波变换的水声信号滤波方法[J];测试技术学报;2015年04期
5 江磊;蔡平;杨娟;王逸林;;一种新型水声信号发射机的设计与研究[J];压电与声光;2007年06期
6 纳杰斯;王心怡;;迭代维纳滤波在水声信号分离中的应用[J];舰船电子工程;2016年11期
7 肖鹏斌;孙伟玮;;水声信号预处理电路的设计与实现[J];四川兵工学报;2012年09期
8 刘楠;;水声信号处理系统的应用与研究[J];信息通信;2018年06期
9 苗康乐;杨成伟;杨日杰;刘家祺;;水声信号自动增益控制及幅值恢复电路设计实现[J];国外电子测量技术;2010年10期
10 张学林,孙进才;小波变换用于水声信号的奇异性研究[J];西北工业大学学报;2000年04期
相关会议论文 前10条
1 周鹤峰;赵云;龚昌超;田章福;曾e
本文编号：2819307
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/2819307.html
