论文部分内容阅读
本文以常见的储粮害虫为研究对象，采用声学手段对其状态检测方法进行研究。设计储粮害虫活动声信号采集装置，采集不同种类、不同密度的害虫声信号，提取了害虫声信号的特征值，采用不同算法构建了害虫种类识别模型和密度预测模型。主要研究结果如下：
(1)基于害虫声信号作为数据源，运用Butter滤波、FIR-Firls滤波、Wavelet滤波、均值滤波和高斯滤波5种滤波方法对害虫声信号进行滤波消噪，结果表明，采用Wavelet滤波方法得到的效果较好，不同种类的害虫在时域波形上具有显著差异；在此基础之上，利用自适应谱熵端点检测方法对声信号作进一步预处理，以提高有效信号的占比。
(2)在时域信号中提取了均值、最小值、最大值、标准差；通过功率谱方法提取频域特征参数：波峰波谷对应的频率、幅值以及峰值与波谷间的频率带宽；利用小波包分解提取声信号时域和频域内的特征参数：节点能量、节点能量比和能量熵，并对其特征进行分析。结果表明，不同种类不同密度的害虫声信号功率谱波峰波谷个数和相应的频率幅值差异明显，小波包分解的节点能量，节点能量比和节点能量熵存在差异，这些特征可用于害虫种类识别模型以及密度预测模型的建立。
(3)通过决策树方法、朴素贝叶斯方法、支持向量机方法、LAZY方法和袋装方法5种分类器的对比分析，实现了储粮害虫种类的快速识别。其中，决策树方法、朴素贝叶斯方法、支持向量机方法、LAZY方法和袋装方法分类准确率分别为88.88%，75.36%，82.54%，84.94%，85.76%，结果表明，当选择Wavelet滤波，选取6层小波包分解，设置阈值s，乘法阈值one，阈值规则mimmax，小波包基函数sym10，Fisher_score特征选择方法和决策树C4.5算法分类器时识别效果最佳，准确率为88.88%。
(4)采用了多元线性回归方法建立了赤拟谷盗密度预测模型。采集了赤拟谷盗的不同密度声音信号作为建立预测模型的样本集，提取赤拟谷盗声音信号的特征值并构建了特征向量，选用了Rank-SPXY方法对样本集进行划分，选用Fisher_score方法结合多元线性回归(MLR)建立赤拟谷盗密度的预测模型，还研究了Rank-SPXY中参数k取值不同对预测模型的影响，结果表明，Rank-SPXY(k=10)样本集划分方法建立的赤拟谷盗密度预测模型预测性能最佳(R=0.846，RPD=1.78)。
(1)基于害虫声信号作为数据源，运用Butter滤波、FIR-Firls滤波、Wavelet滤波、均值滤波和高斯滤波5种滤波方法对害虫声信号进行滤波消噪，结果表明，采用Wavelet滤波方法得到的效果较好，不同种类的害虫在时域波形上具有显著差异；在此基础之上，利用自适应谱熵端点检测方法对声信号作进一步预处理，以提高有效信号的占比。
(2)在时域信号中提取了均值、最小值、最大值、标准差；通过功率谱方法提取频域特征参数：波峰波谷对应的频率、幅值以及峰值与波谷间的频率带宽；利用小波包分解提取声信号时域和频域内的特征参数：节点能量、节点能量比和能量熵，并对其特征进行分析。结果表明，不同种类不同密度的害虫声信号功率谱波峰波谷个数和相应的频率幅值差异明显，小波包分解的节点能量，节点能量比和节点能量熵存在差异，这些特征可用于害虫种类识别模型以及密度预测模型的建立。
(3)通过决策树方法、朴素贝叶斯方法、支持向量机方法、LAZY方法和袋装方法5种分类器的对比分析，实现了储粮害虫种类的快速识别。其中，决策树方法、朴素贝叶斯方法、支持向量机方法、LAZY方法和袋装方法分类准确率分别为88.88%，75.36%，82.54%，84.94%，85.76%，结果表明，当选择Wavelet滤波，选取6层小波包分解，设置阈值s，乘法阈值one，阈值规则mimmax，小波包基函数sym10，Fisher_score特征选择方法和决策树C4.5算法分类器时识别效果最佳，准确率为88.88%。
(4)采用了多元线性回归方法建立了赤拟谷盗密度预测模型。采集了赤拟谷盗的不同密度声音信号作为建立预测模型的样本集，提取赤拟谷盗声音信号的特征值并构建了特征向量，选用了Rank-SPXY方法对样本集进行划分，选用Fisher_score方法结合多元线性回归(MLR)建立赤拟谷盗密度的预测模型，还研究了Rank-SPXY中参数k取值不同对预测模型的影响，结果表明，Rank-SPXY(k=10)样本集划分方法建立的赤拟谷盗密度预测模型预测性能最佳(R=0.846，RPD=1.78)。