学术界和工业界对计算机技术的重视,使得人工智能技术也得到前了所未有的进步,并且在很多领域都取得了突破。目前,人工智能技术已经被应用于各个领域,其中语音识别、自然语言处理、图像识别已成为人工智能的三大主战场,各大互联网公司以及不计其数的创业公司也都在积极备战人工智能的相关竞赛。例如百度公司成立深度学习实验室、中兴通讯的人工智能挑战赛等。从技术角度来看,人工智能技术已经基本实现了实用性,但是从应用的实际情况来看,还没有达到真正的智能。值得注意的是,在人工智能快速发展的背后是机器学习算法的推陈出新,以及将机器学习算法不断应用于新的领域,解决新的问题。如果从实用性的角度分析,技术再强大也只是用来解决人的需要、社会的需要。因此,本次研究我们不是对人工智能技术进行革新,更多的是关注机器学习基础算法的应用。在人类历史进程中,畜牧业有着几千年的历史,在农业当中有着举足轻重的地位,近年来随着科学技术的发展以及规模化饲养的成型,使得畜牧业越来越朝着精准化方向发展,而在畜牧业当中反刍牲畜占据着半壁江山,因此对反刍牲畜的研究将对我国畜牧业的发展带来促进作用。反刍行为作为反刍牲畜独有的特性能够反映个体的生理状况。目前对于反刍家畜的反刍行为研究大多依靠人工观察,人工观察固然有其准确性,但是直接观察所花费的人力和财力成本很大,因此在规模化和精确化饲养时很难操作。针对上述问题,本文研究、设计、实现了基于声学模型和机器学习的湖羊反刍行为识别系统。在该系统中,我们针对湖羊的反刍行为,结合机器学习当中神经网络、支持向量机等经典的分类算法,提出了一个简单、实用、易操作的方法,来自动分析和识别湖羊的反刍事件。首先,我们录制湖羊产生的声音信号,用来表示反刍事件,然后经过预处理、候选项提取等步骤得到反刍事件的候选项;经过对候选项进行特征提取后,接下来分别用神经网络模型、支持向量机模型对这些候选项的特征进行学习、训练,再通过训练好的模型将新的反刍行为侯选项识别为反刍事件和非反刍事件。为了充分测试我们提出的方法,测试数据分别使用了包含较少噪声和包含较多噪声的数据,由于在所有以声学模型为基础的识别任务中,噪声都是比较难处理的障碍,因此,我们更加关注包含较多噪声的测试数据,同时噪声较多的数据也更接近实际情况。实验表明,神经网络模型在湖羊反刍次数统计方面获得了平均86%的准确率,而支持向量机在小样本数据上表现较好,获得了平均为90.4%的准确率;此外,对于每个反刍事件,神经网络模型的匹配率较低,而支持向量机模型获得了平均90.1%的匹配率,并且该效果好于国外的反刍行为识别相关研究。因此,最后我们决定使用支持向量机作为本系统最终使用的分类算法。同时,我们为该系统设计了友好的界面,操作方便,经测试运行稳定。