基于聲學(xué)信息的淡水魚品種識別及存活率預(yù)測模型建立.pdf

1、本文以常見淡水魚為研究對象，采集不同品種、不同條數(shù)淡水魚聲音信號，運用聲學(xué)技術(shù)，提取了魚聲信號特征值，采用概率神經(jīng)網(wǎng)絡(luò)構(gòu)建了淡水魚品種識別模型，采用多元線性回歸方法建立了淡水魚存活率的預(yù)測模型。主要研究結(jié)果如下：
　　1、采用語音分析技術(shù)提取了魚聲信號特征值。本文基于魚聲信號在時域波形上的不同提取了短時平均能量和短時平均過零率；基于小波分析理論在分析和處理非平穩(wěn)信號上的優(yōu)勢，采用不同小波包分解尺度對魚聲信號進(jìn)行了頻段劃分，提取了各

2、頻段能量；并進(jìn)行了顯著性分析。結(jié)果表明在0.01顯著性水平下，不同品種不同條數(shù)淡水魚聲音信號短時平均能量、短時平均過零率均具有顯著差異，不同品種淡水魚聲音信號部分頻段能量（小波包分解尺度四層，13個頻段；五層，18個頻段；六層，31個頻段）具有顯著差異，不同條數(shù)鳊魚聲音信號部分頻段能量（四層，15個頻段；五層，28個頻段；六層，52個頻段）具有顯著差異，不同條數(shù)鯽魚聲音信號部分頻段能量（四層，15個頻段；五層，31個頻段；六層，61個頻

3、段）能量具有顯著差異，不同條數(shù)草魚聲音信號部分頻段能量（四層，14個頻段；五層，28個頻段；六層，58個頻段）具有顯著差異，可用于淡水魚品種識別模型以及存活率預(yù)測模型的建立。
　　2、采用概率神經(jīng)網(wǎng)絡(luò)建立了淡水魚品種識別模型，實現(xiàn)了對常見淡水魚品種的識別。本文詳細(xì)分析了概率神經(jīng)網(wǎng)絡(luò)分類器的特點、決策理論以及算法實現(xiàn)，應(yīng)用于淡水魚品種分類識別中，并采集不同品種淡水魚的聲音信號，提取特征值構(gòu)造成特征向量送入到分類器中進(jìn)行分類和判決，給

4、待分析的魚聲信號賦予一個類別標(biāo)識，進(jìn)而實現(xiàn)了對淡水魚的品種識別，總分類準(zhǔn)確率為94.3％，其中，無魚的分類準(zhǔn)確率為77.3%，草魚的分類準(zhǔn)確率為100%，鳊魚的分類準(zhǔn)確率為100%，鯽魚的分類準(zhǔn)確率為100%。此外，本文還分析了不同平滑因子取值對淡水魚品種識別模型識別性能的影響，結(jié)果表明，當(dāng)平滑因子取值為9.0或10.0時，分類準(zhǔn)確率最高。
　　3、采用多元線性回歸方法建立了淡水魚存活率預(yù)測模型。采集了不同品種、不同條數(shù)淡水魚聲音

5、信號作為建立預(yù)測模型的樣本集，提取魚聲信號的特征值，構(gòu)建了特征向量，并采用不同的樣本劃分方法對樣本集進(jìn)行劃分，采用競爭自適應(yīng)重加權(quán)采樣（CARS）方法結(jié)合多元線性回歸（MLR）方法，確定了淡水魚存活率的特征頻段，其中，鯽魚存活率典型的特征頻段為256~264Hz、352~360 Hz、376~384Hz，鳊魚存活率典型的特征頻段為48~56Hz、88~96Hz、120~128Hz、168~176Hz，運用多元線性回歸（MLR）方法建立淡

6、水魚存活率的預(yù)測模型，并研究了頻段不同分解尺度以及不同樣本劃分方法對存活率預(yù)測模型性能的影響，結(jié)果表明：“短時平均能量+短時平均過零率+6層小波包分解頻段能量”組成的特征向量結(jié)合Rank-SPXY（m=10）樣本劃分方法建立的鯽魚存活率預(yù)測模型預(yù)測性能最優(yōu)（R=0.835， RPD=1.79）；“短時平均能量+短時平均過零率+6層小波包分解頻段能量”組成的特征向量結(jié)合Rank-SPXY（m=5）樣本劃分方法建立的鳊魚存活率預(yù)測模型預(yù)測性