基于EMD的奶牛动态称量算法

针对目前奶牛动态称量存在的问题,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)的动态称量算法。首先,对称量设备采集到的非线性、非平稳振荡信号进行数据预处理,得到有效信号;其次,对有效信号进行初判断,若符合预设条件即为走停状态,利用算术平均法求取均值;若不符合预设条件,则利用EMD算法区分动物的慢速行走、快速行走和剧烈运动行进状态,并计算动态称量值。实验中发现,剧烈运动状态下获取的数据波动很大,需进行滤波后再计算质量。实验结果表明,本文提出的动态称量算法可判断奶牛行进状态,计算得到的动态质量与静态质量相比,走停状态下误差率在0.16%以内,慢速行走、快速行走状态下误差率在1%以内,剧烈运动状态下误差率在1.35%以内。

基于VMD-LSTM的奶牛动态称量算法

针对当前奶牛动态称量研究对动态称量信号的信息利用率偏低,不能充分提取称量信号深层信息的问题,提出一种基于变分模态分解(Variational mode decomposition,VMD)与长短期记忆网络(Long short-term memory,LSTM)的动态称量算法,以提高奶牛体质量预测精度。首先,使用阈值过滤的方法从采集到的奶牛动态称量信号中获取有效信号;其次,使用VMD算法将预处理后的有效信号分解为5个本征模态函数(Intrinsic mode function,IMF),以提取奶牛动态称量信号中蕴含的深层信息,并降低有效信号的非平稳性对预测精度产生的影响;最后,分别将归一化后的各IMF分量与有效信号结合,作为特征输入到LSTM神经网络进行训练,预测奶牛体质量。通过对使用不同特征的模型的预测结果进行对比,选用误差最小的模型作为本文的奶牛体质量预测模型。试验结果表明,本文提出的动态称量算法能够有效提取奶牛动态称量信号的深层信息,体质量预测的平均相对误差为0.81%,均方根误差为6.21 kg。与EMD算法和GRU算法相比,本文算法误差更小,更能满足养殖场的实际需求。