基于聲學(xué)模型和機(jī)器學(xué)習(xí)的湖羊反芻行為識(shí)別系統(tǒng).pdf

1、學(xué)術(shù)界和工業(yè)界對(duì)計(jì)算機(jī)技術(shù)的重視，使得人工智能技術(shù)也得到前了所未有的進(jìn)步，并且在很多領(lǐng)域都取得了突破。目前，人工智能技術(shù)已經(jīng)被應(yīng)用于各個(gè)領(lǐng)域，其中語(yǔ)音識(shí)別、自然語(yǔ)言處理、圖像識(shí)別已成為人工智能的三大主戰(zhàn)場(chǎng)，各大互聯(lián)網(wǎng)公司以及不計(jì)其數(shù)的創(chuàng)業(yè)公司也都在積極備戰(zhàn)人工智能的相關(guān)競(jìng)賽。例如百度公司成立深度學(xué)習(xí)實(shí)驗(yàn)室、中興通訊的人工智能挑戰(zhàn)賽等。從技術(shù)角度來(lái)看，人工智能技術(shù)已經(jīng)基本實(shí)現(xiàn)了實(shí)用性，但是從應(yīng)用的實(shí)際情況來(lái)看，還沒有達(dá)到真正的智能。值得注

2、意的是，在人工智能快速發(fā)展的背后是機(jī)器學(xué)習(xí)算法的推陳出新，以及將機(jī)器學(xué)習(xí)算法不斷應(yīng)用于新的領(lǐng)域，解決新的問題。如果從實(shí)用性的角度分析，技術(shù)再?gòu)?qiáng)大也只是用來(lái)解決人的需要、社會(huì)的需要。因此，本次研究我們不是對(duì)人工智能技術(shù)進(jìn)行革新，更多的是關(guān)注機(jī)器學(xué)習(xí)基礎(chǔ)算法的應(yīng)用。在人類歷史進(jìn)程中，畜牧業(yè)有著幾千年的歷史，在農(nóng)業(yè)當(dāng)中有著舉足輕重的地位，近年來(lái)隨著科學(xué)技術(shù)的發(fā)展以及規(guī)?；曫B(yǎng)的成型，使得畜牧業(yè)越來(lái)越朝著精準(zhǔn)化方向發(fā)展，而在畜牧業(yè)當(dāng)中反芻牲畜占

3、據(jù)著半壁江山，因此對(duì)反芻牲畜的研究將對(duì)我國(guó)畜牧業(yè)的發(fā)展帶來(lái)促進(jìn)作用。反芻行為作為反芻牲畜獨(dú)有的特性能夠反映個(gè)體的生理狀況。目前對(duì)于反芻家畜的反芻行為研究大多依靠人工觀察，人工觀察固然有其準(zhǔn)確性，但是直接觀察所花費(fèi)的人力和財(cái)力成本很大，因此在規(guī)?；途_化飼養(yǎng)時(shí)很難操作。
　　針對(duì)上述問題，本文研究、設(shè)計(jì)、實(shí)現(xiàn)了基于聲學(xué)模型和機(jī)器學(xué)習(xí)的湖羊反芻行為識(shí)別系統(tǒng)。在該系統(tǒng)中，我們針對(duì)湖羊的反芻行為，結(jié)合機(jī)器學(xué)習(xí)當(dāng)中神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等經(jīng)

4、典的分類算法，提出了一個(gè)簡(jiǎn)單、實(shí)用、易操作的方法,來(lái)自動(dòng)分析和識(shí)別湖羊的反芻事件。首先，我們錄制湖羊產(chǎn)生的聲音信號(hào)，用來(lái)表示反芻事件,然后經(jīng)過預(yù)處理、候選項(xiàng)提取等步驟得到反芻事件的候選項(xiàng)；經(jīng)過對(duì)候選項(xiàng)進(jìn)行特征提取后，接下來(lái)分別用神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型對(duì)這些候選項(xiàng)的特征進(jìn)行學(xué)習(xí)、訓(xùn)練,再通過訓(xùn)練好的模型將新的反芻行為侯選項(xiàng)識(shí)別為反芻事件和非反芻事件。為了充分測(cè)試我們提出的方法,測(cè)試數(shù)據(jù)分別使用了包含較少噪聲和包含較多噪聲的數(shù)據(jù),由于

5、在所有以聲學(xué)模型為基礎(chǔ)的識(shí)別任務(wù)中，噪聲都是比較難處理的障礙，因此，我們更加關(guān)注包含較多噪聲的測(cè)試數(shù)據(jù),同時(shí)噪聲較多的數(shù)據(jù)也更接近實(shí)際情況。實(shí)驗(yàn)表明,神經(jīng)網(wǎng)絡(luò)模型在湖羊反芻次數(shù)統(tǒng)計(jì)方面獲得了平均86％的準(zhǔn)確率，而支持向量機(jī)在小樣本數(shù)據(jù)上表現(xiàn)較好，獲得了平均為90.4％的準(zhǔn)確率；此外，對(duì)于每個(gè)反芻事件，神經(jīng)網(wǎng)絡(luò)模型的匹配率較低，而支持向量機(jī)模型獲得了平均90.1%的匹配率，并且該效果好于國(guó)外的反芻行為識(shí)別相關(guān)研究。因此，最后我們決定使用支