基于被动水声信号的淡水鱼混合数量预测

发布时间：2021-06-11 07:35

　　针对淡水鱼数量评估问题,通过水听器和声学记录仪采集鳊（Parabramis pekinensis）和鲫（Carassius auratus）在相同比例、不同混合数量下的水声信号,提取54个特征参数,进行相关性分析,挑选与淡水鱼混合数量显著相关的特征参数,采用Rank-RS法进行样本划分,建立多元线性回归模型,并与偏最小二乘回归模型的预测效果进行比较。结果显示,平均Mel频率倒谱系数与淡水鱼混合数量的相关性整体上最显著,多元线性回归模型的拟合效果较好,预测模型■为0.950,RPD为4.492,说明所建立的模型适用于淡水鱼混合数量预测,将被动水声技术应用于淡水鱼数量研究具有一定的可行性。 

【文章来源】：华中农业大学学报. 2020,39(05)北大核心CSCD

【文章页数】：6 页

【部分图文】：

淡水鱼被动水声信号采集装置

不同模型结果比较如表3所示。从表3可知,MLR和PLSR模型的 R — 2 均比对应的R2小,这是由于当多元线性回归方程的样本数增多,或者加入了对数量梯度有显著影响的特征时,R2增大,无限趋近于 1, R — 2 同时考虑了建立回归方程的样本量和自变量的个数产生的影响,更能够准确地反映回归方程对样本数据的拟合程度。因此,本研究选用 R — 2 对模型的预测效果进行评价。同时由表3可得,MLR模型的训练集和测试集 R — 2 分别为0.953和0.950,RMSEC和RMSEP分别为0.921和0.965,PLSR模型的训练集和测试集 R — 2 分别为0.895和0.837,RMSEC和RMSEP分别为1.478和1.692,因此,MLR模型的拟合效果较好,且模型的预测能力和泛化能力较强,同时该模型的相对分析误差RPD为4.492,较PLSR模型偏大,说明该模型较为可靠,适用于淡水鱼混合数量预测。3 讨 论

【参考文献】：
期刊论文
[1]基于传感器阵列多特征优化融合的鱼粉品质检测[J]. 李培,谭鹤群,张伟健,皇甫季璇,牛智有.  华中农业大学学报. 2019(06)
[2]獐子岛海洋牧场秋季渔业资源声学调查与评估[J]. 王欢欢,毕福洋,曹敏,汤勇.  大连海洋大学学报. 2018(06)
[3]典型柑橘种植区土壤有机质空间分布与含量预测[J]. 段丽君,张海涛,郭龙,杜佩颖,陈可,琚清兰.  华中农业大学学报. 2019(01)
[4]中国智能水产养殖发展现状与对策研究[J]. 巩沐歌,孟菲良,黄一心,周海燕.  渔业现代化. 2018(06)
[5]基于线性回归的玉米生物量预测模型及验证[J]. 仇瑞承,苗艳龙,张漫,李寒,孙红.  农业工程学报. 2018(10)
[6]基于近红外光谱技术的茶鲜叶海拔高度判别模型建立[J]. 王胜鹏,郑鹏程,龚自明,张正竹,滕靖,王雪萍,卢素芳.  华中农业大学学报. 2018(01)
[7]单品种淡水活鱼数量的被动声学估计[J]. 李路,黄汉英,涂群资,赵思明,熊善柏,马章宇.  农业机械学报. 2018(03)
[8]基于被动水声信号的淡水鱼种类识别[J]. 李路,涂群资,黄汉英,赵思明,熊善柏,马章宇.  农业机械学报. 2017(08)
[9]渤海底拖网主要渔业生物类别时空分布的初步研究[J]. 于鑫,单秀娟,李忠义,朱仁,陈云龙,金显仕.  南方水产科学. 2017(02)
[10]基于多目标遗传随机森林特征选择的面向对象湿地分类[J]. 刘舒,姜琦刚,马玥,肖艳,李远华,崔璨.  农业机械学报. 2017(01)



本文编号：3224125