论文部分内容阅读
本文以常见淡水鱼为研究对象，采集不同品种、不同条数淡水鱼声音信号，运用声学技术，提取了鱼声信号特征值，采用概率神经网络构建了淡水鱼品种识别模型，采用多元线性回归方法建立了淡水鱼存活率的预测模型。主要研究结果如下： 1、采用语音分析技术提取了鱼声信号特征值。本文基于鱼声信号在时域波形上的不同提取了短时平均能量和短时平均过零率；基于小波分析理论在分析和处理非平稳信号上的优势，采用不同小波包分解尺度对鱼声信号进行了频段划分，提取了各频段能量；并进行了显著性分析。结果表明在0.01显著性水平下，不同品种不同条数淡水鱼声音信号短时平均能量、短时平均过零率均具有显著差异，不同品种淡水鱼声音信号部分频段能量（小波包分解尺度四层，13个频段；五层，18个频段；六层，31个频段）具有显著差异，不同条数鳊鱼声音信号部分频段能量（四层，15个频段；五层，28个频段；六层，52个频段）具有显著差异，不同条数鲫鱼声音信号部分频段能量（四层，15个频段；五层，31个频段；六层，61个频段）能量具有显著差异，不同条数草鱼声音信号部分频段能量（四层，14个频段；五层，28个频段；六层，58个频段）具有显著差异，可用于淡水鱼品种识别模型以及存活率预测模型的建立。 2、采用概率神经网络建立了淡水鱼品种识别模型，实现了对常见淡水鱼品种的识别。本文详细分析了概率神经网络分类器的特点、决策理论以及算法实现，应用于淡水鱼品种分类识别中，并采集不同品种淡水鱼的声音信号，提取特征值构造成特征向量送入到分类器中进行分类和判决，给待分析的鱼声信号赋予一个类别标识，进而实现了对淡水鱼的品种识别，总分类准确率为94.3％，其中，无鱼的分类准确率为77.3%，草鱼的分类准确率为100%，鳊鱼的分类准确率为100%，鲫鱼的分类准确率为100%。此外，本文还分析了不同平滑因子取值对淡水鱼品种识别模型识别性能的影响，结果表明，当平滑因子取值为9.0或10.0时，分类准确率最高。 3、采用多元线性回归方法建立了淡水鱼存活率预测模型。采集了不同品种、不同条数淡水鱼声音信号作为建立预测模型的样本集，提取鱼声信号的特征值，构建了特征向量，并采用不同的样本划分方法对样本集进行划分，采用竞争自适应重加权采样（CARS）方法结合多元线性回归（MLR）方法，确定了淡水鱼存活率的特征频段，其中，鲫鱼存活率典型的特征频段为256~264Hz、352~360 Hz、376~384Hz，鳊鱼存活率典型的特征频段为48~56Hz、88~96Hz、120~128Hz、168~176Hz，运用多元线性回归（MLR）方法建立淡水鱼存活率的预测模型，并研究了频段不同分解尺度以及不同样本划分方法对存活率预测模型性能的影响，结果表明：“短时平均能量+短时平均过零率+6层小波包分解频段能量”组成的特征向量结合Rank-SPXY（m=10）样本划分方法建立的鲫鱼存活率预测模型预测性能最优（R=0.835， RPD=1.79）；“短时平均能量+短时平均过零率+6层小波包分解频段能量”组成的特征向量结合Rank-SPXY（m=5）样本划分方法建立的鳊鱼存活率预测模型预测性能最优（R=0.894，RPD=2.01）。