用于動物的動態(tài)稱重系統(tǒng)研究.pdf

1、體重作為動物生命特征的重要組成部分，體重數據在畜牧養(yǎng)殖、野生動物保護、醫(yī)學研究等方面被大量需要。傳統(tǒng)動物稱重是通過保持動物在稱重臺上靜止一段時間，然后進行多次稱重來得到體重數據。這種靜態(tài)稱重方式缺點較多，如在稱重過程中影響動物正?；顒訉е聞游锸艿絺?；以及稱重時間較長，降低稱重的效率，從而提高了稱重成本；同時稱重結果通常通過簡單的取平均，導致最終稱重結果誤差過大?；谶@種現狀本文提出將經驗模態(tài)分解(EMD, Empirical Mode

2、 Decomposition)算法用于動物的動態(tài)稱重，并實現硬件稱重系統(tǒng)解決傳統(tǒng)稱重方式的弊端，達到在盡量不影響動物的正常活動前提下，快速測得較準確的動物體重。
　　當前動態(tài)稱重算法的種類很多，比如傳統(tǒng)的數字濾波、動態(tài)補償以及最新的神經網絡算法等。隨著硬件工藝和技術的發(fā)展，CPU的計算能力相對于過去已經有了長足的進步，因此已經可以使用一些計算量中等的算法來實現動態(tài)稱重，但是仍不足以使用神經網絡這種計算量很大的算法。因此本系統(tǒng)選擇經

3、驗模態(tài)分解算法，該算法的計算量在現代嵌入式系統(tǒng)的處理器中已經可以正常運行。
　　為了在滿足實時性的前提下精確地測量動物的體重，本系統(tǒng)對通用的EMD算法進行了適應于動物的改進，比如加入了數據預處理和及早退出等操作。實現在短時間內去除噪聲，使得最終體重誤差接近數據采集模塊的系統(tǒng)誤差，從而快速準確地得到動物體重值，對用于動物的動態(tài)稱重的研究有很好推動作用。
　　本文提出的用于動物的動態(tài)稱重系統(tǒng)除了對經驗模態(tài)分解算法進行了適應性的改