CN107480412A - 一种畜牧秤称重方法 - Google Patents
一种畜牧秤称重方法 Download PDFInfo
- Publication number
- CN107480412A CN107480412A CN201610398157.3A CN201610398157A CN107480412A CN 107480412 A CN107480412 A CN 107480412A CN 201610398157 A CN201610398157 A CN 201610398157A CN 107480412 A CN107480412 A CN 107480412A
- Authority
- CN
- China
- Prior art keywords
- data
- original signal
- formula
- imf
- weighing method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005303 weighing Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000037396 body weight Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 5
- 244000144972 livestock Species 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 208000000058 Anaplasia Diseases 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 20
- 238000005259 measurement Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明一种畜牧秤称重方法,采用数据预处理和EMD算法相互结合的方式,提供了一种测量结果精确,噪声小,操作简单,效率较高,不会对动物造成伤害的畜牧秤称重系统。
Description
技术领域
本发明涉及称重领域,尤其涉及一种畜牧秤称重方法。
背景技术
如何准确方便称量畜牧的体重,一直是个难以解决的问题。由于畜牧的活动难以控制,称重实施起来非常困难麻烦,常需要耗费大量人力物力。当前,对于活体畜牧的称重的方法,一般是将待称的畜牧捆绑,然后采用磅秤或杆秤进行称量,这种方式因为磅秤和秤杆本身的准确性不高,且畜牧的挣扎晃动也会影响称重的速度和准确性,导致称量结果的准确性低;其次,捆绑和解绑费时费力,捆绑不紧可能造成畜牧挣脱,而捆绑过紧容易对畜牧造成损伤。传统方法的称重效率极其低下。
现有的最近的技术中,如授权公告号为CN 205157021U的中国实用新型专利公开了《一种畜牧称重装置》,通过框架及闸门的配合可以减少家畜的活动,将家畜的活动范围控制在称重处;其采用框架及闸门替代捆绑过程,但仍然无法消除动物活动和传统磅秤本身精度不高造成的准确性过低的问题。又如授权公告号为CN 205157022U的中国实用新型专利公开了《一种动物称重装置》,包括称重杆、手提秤和平衡杆,通过装置将畜牧提起称重,需要多人配合,操作起来非常复杂。结合上述两个专利的技术方案,现有畜牧秤,一方面,称重时要对动物活动范围做严苛的限制,操作困难,使用起来非常不便;另一方面称重精度不高,偶然误差过大,不能准确的反应动物每天生长状况。
结合上述现状,如何在不捆绑畜牧的状态下实现称重,以及获得准确的结果是目前需要解决的问题。如果能够实现动物的动态称重,并且得到准确性较高的结果,上述问题便迎刃而解了。
动态称重技术是指通过测量和分析动态力测算运动中的物体的总重和部分重量的过程,然而,目前而言,主要针对交通运输,采矿等相关方面做的研究,很少涉及活体动物。因为畜牧的随机活动,不像车辆只是直线通过,所以实现起来难度会更高。
上海交通大学仪器系自动检测研究所在《数据采集与处理》中公开发表的《EMD方法在汽车动态称重中的应用》一文,给出了经验模分解(EMD)步骤,提出了抑制边缘效应的次端点极值法,结合汽车动态称重信号的特点,应用该方法对实测轴重信号进行了EMD分解,并对轴重信号分解结果进行了分析。单独采用EMD算法的不足之处在于没有严格的数学证明,并且目前也还没有一个用来评价经验模态分解算法的准则,几乎都是依据主观 的判断和观察来进行对比,这就造成了一些不确定性。
现有的动态称重技术中,目前国内外采用电子天平的动态称量的估计方法主要有:算术平均值法和搜索法。算术平均值法是在一定时间或一定采样次数内对观测值取平均;搜索法是在动态称量过程中,依据波动之初的5个特征值计算最终稳定值。上述二种方法的准确率与其采样次数与结果相关,但因其计算方式准确性较差,多次采样仍然可能存在较大误差,而且上述二种方法不能很好地消除噪声干扰,仍不能满足实际应用需求。
在畜牧业中,需要称重的动物数量庞大,必须短时间内测得体重;为了满足算法的精度需求,又需要足够的数据量,所以我们需要权衡程序的运行时间和精度。
综合上述,现有技术仍然存在测量结果不准确,噪声干扰大,操作复杂,效率低下,且可能对动物造成伤害的问题。如何更好地实现畜牧称重仍然有待探究。
发明内容
本发明所要解决的技术问题是针对现有技术中存在的上述问题,提供了一种测量结果精确,噪声小,操作简单,效率较高,不会对动物造成伤害的畜牧秤称重系统。
为解决上述问题,本发明的一种技术方案是:包括如下步骤:
(1)采集数据;确保牲畜在秤台上,在一定时间t内连续采集M个数据;
(2)对步骤(1)采集的数据进行预处理;判断是否存在稳态,若存在稳态则将输出结果;若不存在稳态,则通过数字滤波剔除干扰数值;
(3)在步骤(2)剔除后的数据中寻找极值点,删除曲线中第一个极值点左侧和最后一个极值点右侧的数据,并以最后一个极值点的x坐标为轴线做镜像处理,得到原始讯号s(t);
(4)将原始讯号s(t)进行EMD分解,得到有限个IMF分量和一个残余量rn(t),这样原始讯号s(t)可以表示为
其中,IMF分量是指本征模态函数,n为分解得到的IMF总阶数,t为残差信号的时间变量;
(5)采用相关系数阈值准则,设定虚假模拟态的判断阈值,判断大于设定阈值的IMF分量为真实的噪声信号,剔除原始讯号s(t)中的噪声信号,得到较为稳定的体重值。
作为优选,所述的步骤(2)包括如下步骤:
(21)对所述的步骤(1)采集到的M个数据,判断是否存在超过一半数据为负;判断结果为是,则取平均值作为结果输出;判断结果为否,则进行下一步;
(22)遍历所述的步骤(1)采集到的M个数据,判断是否存在连续N个数据,除第一个数据外的N-1个数据与第一个数据之差在+-0.5kg以内;判断结果为是,取平均值作为结果输出;判断结果为否,则进行下一步;
(23)计算M个数据的平均值,并根据平均值限定数据范围,剔除数据范围以外数据;
作为优选,所述的时间t小于10s。
作为优选,所述的M的值至少为150。
作为优选,所述的N的值为15。
作为优选,所述的步骤(23)中,所述的数据范围为大于所述的平均值0.5倍,且小于所述的平均值1.5倍。
作为优选,所述的EMD分解步骤如下:
(41)寻找所述的原始讯号s(t)中所有的局部极大值和局部极小值,利用三次样条将局部极大值串连成上包络线,局部极小值串连成下包络线;
(42)将原始讯号s(t)上包络线和下包络线平均,得到原始讯号s(t)的均值包络线,记为m1(t);
(43)将原始讯号s(t)与均值包络线m1(t)相减,得到分量h1(t),
公式为:h1(t)=s(t)-m1(t);(公式二)
判断h1(t)是否符合IMF的条件;若不符合,则循环计算hi(t),
公式为hi(t)=hi-1(t)-mi(t)(i≥2);(公式三)
i为计算次数;mi(t)为hi-1(t)的上包络线和下包络线平均,得到的均值包络线;直到hi(t)符合IMF的条件时,记i=k,停止循环,得到hk(t),记为第一个IMF分量c1(t);
(44)计算残余量rj(t);先将原始讯号s(t)与第一个IMF分量c1(t)相减,得到残余量r1(t),
公式为r1(t)=s(t)-c1(t)(j=1),(公式四)
rj(t)=rj-1(t)-cj(t)(j≥2);(公式五)
j为计算次数,初始值为1;判断rj(t)是否为单调函数;
若不符合,则将计算结果rj(t)替代s(t),并循环计算步骤(41)-(44);循环过程中得到第j个IMF分量cj(t),并代入(公式五)用以第j+1次计算;
若符合,记j为n,停止计算,得到rn(t),以及n-1个IMF分量c2(t),c3(t)……,cn(t)。
作为优选,所述的判断阈值为0.1-0.5。
作为优选,所述的判断阈值为0.2。
相比较于现有技术,本发明实现了畜牧的动态称重,颠覆了以往的传统的称重方法,极大地提高了称重的效率。
本发明采用数据预处理和EMD算法相互结合,由于算法集成在称重的数据采集程序中,所以决定了必须考虑嵌入式设备MCU的资源以及处理能力,如果简单的将EMD算法应用在数据处理中,会导致计算量过大,且精度不高,必须进行数据预处理以及当检测到体重已经满足精度需求时,及早退出算法,以此来提高效率。动物的活动无法预测,但是存在某些情况,动物本身满足静态称重的标准,此时在算法中识别该情况,不需要调用EMD算法即可得到精确值。
本发明采用EMD方法,能对动态称量的采样信号进行分解,获取表征稳态信号分量的残余量,剔除动态信号分量的干扰,有效地克服了动态称量中动态信号分量对称量结果带来的影响,减小由于动物活动带来的随机噪声,进而获得较为理想的结果。本发明不需要进行繁琐的操作,无需对畜牧进行捆绑,也不会对动物造成伤害。操作简单,实现方便,无需耗费大量人力物力,极大地提高了测量效率。本发明采用称量系统,便于移植与搭建,成本小,结果精确。
附图说明
图1是本发明的流程框图。
图2是原始数据。
图3是本发明步骤(2)预处理后的数据。
图4是本发明步骤(3)镜像处理后的数据。
图5是本发明步骤(4)所得的残余量。
具体实施方式
下面结合附图和实施例进一步详细说明本发明,但本发明的保护范围并不限于此。
参照图1,本发明包括如下步骤:
(1)采集数据;确保牲畜在秤台上,在一定时间t内连续采集M个数据;
(2)对步骤(1)采集的数据进行预处理;判断是否存在稳态,若存在稳态则将输出结果;若不存在稳态,则通过数字滤波剔除干扰数值;
(3)在步骤(2)剔除后的数据中寻找极值点,删除曲线中第一个极值点左侧和最后一个极值点右侧的数据,并以最后一个极值点的x坐标为轴线做镜像处理,得到原始讯号s(t);
(4)将原始讯号s(t)进行EMD分解,得到有限个IMF分量和一个残余量rn(t),这样原始讯号s(t)可以表示为
其中,IMF分量是指本征模态函数,n为分解得到的IMF总阶数,t为残差信号的时间变量;
(5)采用相关系数阈值准则,设定虚假模拟态的判断阈值,判断大于设定阈值的IMF分量为真实的噪声信号,剔除原始讯号s(t)中的噪声信号,得到较为稳定的体重值。
作为优选,所述的步骤(2)包括如下步骤:
(21)对所述的步骤(1)采集到的M个数据,判断是否存在超过一半数据为负;判断结果为是,则取平均值作为结果输出;判断结果为否,则进行下一步;
(22)遍历所述的步骤(1)采集到的M个数据,判断是否存在连续N个数据,除第一个数据外的N-1个数据与第一个数据之差在+-0.5kg以内;判断结果为是,取平均值作为结果输出;判断结果为否,则进行下一步;
(23)计算M个数据的平均值,并根据平均值限定数据范围,剔除数据范围以外数据;
作为优选,所述的时间t小于10s。
作为优选,所述的M的值至少为150。
作为优选,所述的N的值为15。
作为优选,所述的步骤(23)中,所述的数据范围为大于所述的平均值0.5倍,且小于所述的平均值1.5倍。
作为优选,所述的EMD分解步骤如下:
(41)寻找所述的原始讯号s(t)中所有的局部极大值和局部极小值,利用三次样条将局部极大值串连成上包络线,局部极小值串连成下包络线;
(42)将原始讯号s(t)上包络线和下包络线平均,得到原始讯号s(t)的均值包络线,记为m1(t);
(43)将原始讯号s(t)与均值包络线m1(t)相减,得到分量h1(t),
公式为:h1(t)=s(t)-m1(t);(公式二)
判断h1(t)是否符合IMF的条件;若不符合,则循环计算hi(t),
公式为hi(t)=hi-1(t)-mi(t)(i≥2);(公式三)
i为计算次数;mi(t)为hi-1(t)的上包络线和下包络线平均,得到的均值包络线;
直到hi(t)符合IMF的条件时,记i=k,停止循环,得到hk(t),记为第一个IMF分量c1(t);
(44)计算残余量rj(t);先将原始讯号s(t)与第一个IMF分量c1(t)相减,得到残余量r1(t),
公式为r1(t)=s(t)-c1(t)(j=1),(公式四)
rj(t)=rj-1(t)-cj(t)(j≥2);(公式五)
j为计算次数,初始值为1;判断rj(t)是否为单调函数;
若不符合,则将计算结果rj(t)替代s(t),并循环计算步骤(41)-(44);循环过程中得到第j个IMF分量cj(t),并代入(公式五)用以第j+1次计算;
若符合,记j为n,停止计算,得到rn(t),以及n-1个IMF分量c2(t),c3(t)……,cn(t)。
所述的判断阈值为0.1-0.5。
所述的判断阈值为0.2。
限制于传感器的采样频率和程序处理时间,必须在充分利用数据的基础上剔除干扰数值。本发明的系统采用了数字滤波,在数据的开头与结尾处通过移动以中值为中心的可行窗口来剔除偏离中心值过大的点。经过实验发现,可行窗口选择需求精度的1/2为界既可以满足精度需求又可以剔除干扰数据。中间阶段的数据,因为EMD算法区分出来IMF分量,需要保持其物理意义,所以不能使用滤波,继续保留,加入算法运算。
确保牲畜在秤台上,采集到的M个数据。若牲畜处于安静状态,检测到的信号较为稳定,在此采用两种判断方式,一种是判断是否存在超过一半数据为负,另一种是判断是否存在连续N个数据,除第一个数据外的N-1个数据与第一个数据之差在+-0.5kg以内,在本实施例中取N为15。如果判断结果为是,则直接取平均值输出。
为了适应动物的行为,本系统每隔一段时间采集一次数据,判断动物的体态特征,如果检测到某次的数据很接近,我们就认为动物处于静止状态,并把这段时间的值取平均作为最终结果,并跳过EMD算法,从而避免多余的计算。
若判断没有处于静止状态,则需要将所有已有的数据加入EMD算法,进行计算,得到当前的体重值。同样,为了能在保证精度的基础上提高效率,当出现连续3次的结果都很接近时,就认为是动物的活动趋于稳定,并将连续三次的值取平均,作为最终结果,提早退出计算。
根据EMD算法,可以得到N个IMF和一个残余量,使用标准差(Standard Deviation,SD)准则作为停止准则。
经过实验数据,当SD选取0.2时,最为合适。
需要说明的是,本发明中所述的EMD,即Empirical Mode Decomposition,是经验模态分解算法的简称,是Hilbert-Huang变换(HHT)的核心算法。EMD方法认为,任何信号都可分解成若干不同的本征模态函数(Intrinsic mode function,IMF)和一个残余量,IMF分量c1(t),c2(t),c3(t)……,cn(t)反映了信号的局部特性,残余量rn(t)反映了信号的趋势或均值。
本发明中所提及的相关系数,是衡量两个随机变量之间线性相关程度的指标。相关系数是测定变量之间关系密切程度的量。
由于IMF中存在虚假分量,会将真实的体重值分离出去。所以我们需要判断虚假IMF,并将这些分量加回到残余量中。本系统通过相关系统数法对比当前IMF与原始数据的相近 程度来判断是否虚假,当与原始数据接近程度低于阈值时,认定为虚假。本系统选择关系数序列中的最大值的1/10作为阈值。
通过设定阈值,判断本征模态函数IMF分量是否为虚假模态函数;在本实施例中,设定的阈值为0.2作为最优选。判断|λi|是否处于阈值范围内,如果|λi|<0.2则认为相关性太低,是虚假的模拟量;如果|λi|>0.2则认为相关性高,是真实的模拟量;真实的模拟量为噪声信号或者干扰信号,则应剔除。此处的阈值与传感器精度以及动物类型相关,在实际操作中,此数值可重新根据实际情况进行微调,结合大量实验数据以及测量经验,所述的阈值的测量范围取为0.2-0.5,最优为0.2。一般相关系数法则多用以处理噪声信号,本发明在本领域采用相关系数法则,结合畜牧称重的实际问题,设定相应阈值,使得测量结果更加精准,测量效率更高。
原始讯号s(t)在剔除噪声信号和干扰信号后,将虚假的IMF分量加到反映稳态量的残余量上,获得较为稳定的讯号曲线,反映畜牧的体重。
由于EMD算法存在端点效应,如果不对端点进行处理,会导致误差偏大。端点效应的处理方法很多,因为我们本身的数据量不大,使用镜像延拓法既可以增大数据的基数,又可以消除端点效应。由于系统采用了动态测量的方法,在每次采集数据后都将数据加入到原始数据之后,所以将数据按起点数据为对称轴做翻转,可以降低操作的复杂度。
EMD算法随着数据量的增加,精度逐步提高,直到接近传感器的精度。但是为了保证称重的速度,我们需要限制计算时间,本系统限制为10s。当时间超过10s但是依旧没有出现稳定状态,则取最后一次的计算结果,也是最大数据量的处理结果作为最终称重结果输出。
在得到此结果的基础上,采样一定时间段内的多个结果。判断当连续三个结果相同时,则直接输出此数值作为测量结果;如果没有连续三个结果相同时,则一般去除最大值和最小值,再采用平均值方法进行计算,以得到更为准确的结果。测量结束。
本系统在猪场中采集数据,采集的频率为30HZ,并进行处理。根据图2-5所示,当在静态情况下测得体重为73.3kg,经过算法计算,得到数据为73.5kg满足1%的精度需求。
表1表示了本发明在实际试验中的数据。
标准值 | 计算值 | 误差 |
71.2 | 71.7 | 0.007 |
73.3 | 73.5 | 0.003 |
73.7 | 73.4 | 0.004 |
85.3 | 86.1 | 0.009 |
85.9 | 86.1 | 0.002 |
通过表1可充分说明本发明的有益效果。在多组的测试数据中显示普遍的测试结果远小于1%的精度需求。
上述说明中,凡未加特别说明的,均采用现有技术中的技术手段。
Claims (9)
1.一种畜牧秤称重方法,其特征在于,包括以下步骤:
(1)采集数据;确保牲畜在秤台上,在一定时间t内连续采集M个数据;
(2)对步骤(1)采集的数据进行预处理;判断是否存在稳态,若存在稳态则输出结果;若不存在稳态,则通过数字滤波剔除干扰数值;
(3)在步骤(2)剔除后的数据中寻找极值点,删除曲线中第一个极值点左侧和最后一个极值点右侧的数据,并以最后一个极值点的x坐标为轴线做镜像处理,得到原始讯号s(t);
(4)将原始讯号s(t)进行EMD分解,得到有限个IMF分量和一个残余量rn(t),这样原始讯号s(t)可以表示为
其中,IMF分量是指本征模态函数,n为分解得到的IMF总阶数,t为残差信号的时间变量;
(5)采用相关系数阈值准则,设定虚假模拟态的判断阈值,判断大于设定阈值的IMF分量为真实的噪声信号,剔除原始讯号s(t)中的噪声信号,得到较为稳定的体重值。
2.根据权利要求1所述的一种畜牧秤称重方法,其特征在于:所述的步骤(2)包括如下步骤:
(21)对所述的步骤(1)采集到的M个数据,判断是否存在超过一半数据为负;判断结果为是,则取平均值作为结果输出;判断结果为否,则进行下一步;
(22)遍历所述的步骤(1)采集到的M个数据,判断是否存在连续N个数据,除第一个数据外的N-1个数据与第一个数据之差在+-0.5kg以内;判断结果为是,取平均值作为结果输出;判断结果为否,则进行下一步;
(23)计算M个数据的平均值,并根据平均值限定数据范围,剔除数据范围以外数据。
3.根据权利要求1所述的一种畜牧秤称重方法,其特征在于:所述的时间t小于10s。
4.根据权利要求1所述的一种畜牧秤称重方法,其特征在于:所述的M的值至 少150。
5.根据权利要求1所述的一种畜牧秤称重方法,其特征在于:所述的N的值为15。
6.根据权利要求2所述的一种畜牧秤称重方法,其特征在于:所述的步骤(23)中,所述的数据范围为大于所述的平均值0.5倍,且小于所述的平均值1.5倍。
7.根据权利要求1所述的一种畜牧秤称重方法,其特征在于:所述的EMD分解步骤如下:
(41)寻找所述的原始讯号s(t)中所有的局部极大值和局部极小值,利用三次样条将局部极大值串连成上包络线,局部极小值串连成下包络线;
(42)将原始讯号s(t)上包络线和下包络线平均,得到原始讯号s(t)的均值包络线,记为m1(t);
(43)将原始讯号s(t)与均值包络线m1(t)相减,得到分量h1(t),
公式为:h1(t)=s(t)-m1(t);(公式二)
判断h1(t)是否符合IMF的条件;若不符合,则循环计算hi(t),
公式为hi(t)=hi-1(t)-mi(t)(i≥2);(公式三)
i为计算次数;mi(t)为hi-1(t)的上包络线和下包络线平均,得到的均值包络线;直到hi(t)符合IMF的条件时,记i=k,停止循环,得到hk(t),记为第一个IMF分量c1(t);
(44)计算残余量rj(t);先将原始讯号s(t)与第一个IMF分量c1(t)相减,得到残余量r1(t),
公式为r1(t)=s(t)-c1(t)(j=1),(公式四)
rj(t)=rj-1(t)-cj(t)(j≥2);(公式五)
j为计算次数,初始值为1;判断rj(t)是否为单调函数;
若不符合,则将计算结果rj(t)替代s(t),并循环计算步骤(41)-(44);循 环过程中得到第j个IMF分量cj(t),并代入(公式五)用以第j+1次计算;若符合,记j为n,停止计算,得到rn(t),以及n-1个IMF分量c2(t),c3(t)……,cn(t)。
8.根据权利要求1所述的一种畜牧秤称重方法,其特征在于:所述的判断阈值为0.2-0.5。
9.根据权利要求7所述的一种畜牧秤称重方法,其特征在于:所述的判断阈值为0.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610398157.3A CN107480412A (zh) | 2016-06-06 | 2016-06-06 | 一种畜牧秤称重方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610398157.3A CN107480412A (zh) | 2016-06-06 | 2016-06-06 | 一种畜牧秤称重方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107480412A true CN107480412A (zh) | 2017-12-15 |
Family
ID=60593638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610398157.3A Pending CN107480412A (zh) | 2016-06-06 | 2016-06-06 | 一种畜牧秤称重方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480412A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107931148A (zh) * | 2017-12-26 | 2018-04-20 | 安徽工程大学 | 一种活体蟹类智能分选系统及方法 |
CN114166324A (zh) * | 2021-11-29 | 2022-03-11 | 上海耀华称重系统有限公司 | 参数可调的称重仪表的滤波方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105411A (zh) * | 2007-08-10 | 2008-01-16 | 中国航天科技集团公司第四研究院第四十四研究所 | 车辆动态轴重衡称重信号的自适应滤波方法 |
CN201152773Y (zh) * | 2007-11-02 | 2008-11-19 | 中国农业科学院北京畜牧兽医研究所 | 用于活畜无抓捕称重的动态电子秤 |
CN102279037A (zh) * | 2011-06-03 | 2011-12-14 | 王良田 | 活体动物称重方法和装置 |
CN102346064A (zh) * | 2011-09-08 | 2012-02-08 | 浙江工业大学 | 装载机称重装置 |
US20130163839A1 (en) * | 2011-12-27 | 2013-06-27 | Industrial Technology Research Institute | Signal and image analysis method and ultrasound imaging system |
CN103198225A (zh) * | 2013-04-17 | 2013-07-10 | 华北科技学院 | 一种镜像延拓方法 |
-
2016
- 2016-06-06 CN CN201610398157.3A patent/CN107480412A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101105411A (zh) * | 2007-08-10 | 2008-01-16 | 中国航天科技集团公司第四研究院第四十四研究所 | 车辆动态轴重衡称重信号的自适应滤波方法 |
CN201152773Y (zh) * | 2007-11-02 | 2008-11-19 | 中国农业科学院北京畜牧兽医研究所 | 用于活畜无抓捕称重的动态电子秤 |
CN102279037A (zh) * | 2011-06-03 | 2011-12-14 | 王良田 | 活体动物称重方法和装置 |
CN102346064A (zh) * | 2011-09-08 | 2012-02-08 | 浙江工业大学 | 装载机称重装置 |
US20130163839A1 (en) * | 2011-12-27 | 2013-06-27 | Industrial Technology Research Institute | Signal and image analysis method and ultrasound imaging system |
CN103198225A (zh) * | 2013-04-17 | 2013-07-10 | 华北科技学院 | 一种镜像延拓方法 |
Non-Patent Citations (3)
Title |
---|
侯怀宇等: "《材料科学与工程中的计算机应用》", 30 June 2015, 北京:国防工业出版社 * |
孙虎儿: "《基于神经网络的优化设计及应用》", 31 May 2009, 北京:国防工业出版社 * |
蒋婷等: "基于EMD与分批估计的动态称量快速融合方法", 《仪器仪表学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107931148A (zh) * | 2017-12-26 | 2018-04-20 | 安徽工程大学 | 一种活体蟹类智能分选系统及方法 |
CN114166324A (zh) * | 2021-11-29 | 2022-03-11 | 上海耀华称重系统有限公司 | 参数可调的称重仪表的滤波方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101907437B (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN105953875B (zh) | 一种活体动物称重方法及其装置 | |
CN103745239A (zh) | 一种基于卫星遥感技术的森林资源测量方法 | |
CN107480412A (zh) | 一种畜牧秤称重方法 | |
CN106198485A (zh) | 一种拉曼光谱匹配方法 | |
CN103926313A (zh) | 一种基于超声检测的复合材料孔隙率数值评估方法 | |
CN106373279B (zh) | 用于多表集抄系统的智能ic卡水表的通信方法 | |
CN106443164A (zh) | 一种电能分类计量过程中暂态与稳态事件的监测方法 | |
CN104481653B (zh) | 一种尿素计量喷射泵自动标定系统及其标定方法 | |
CN104500193A (zh) | 一种汽车尾气排放数据采集分析系统及其处理方法 | |
Lucchetti et al. | Technical measures without enforcement tools: is there any sense? A methodological approach for the estimation of passive net length in small scale fisheries | |
CN109670143B (zh) | 一种环境激励下土木工程结构振动频域响应信号统计规律检测方法 | |
CN108267313B (zh) | 直升机尾减速器操纵杆轴承的载荷测试控制方法及系统 | |
CN109773586A (zh) | 双边剪曲轴温度检测方法、装置、干油润滑方法及装置 | |
CN104111272A (zh) | 建筑围护结构热流密度采集系统的误差处理方法 | |
RU99190U1 (ru) | Система адаптивного управления автокомпенсатором помех | |
CN108663430A (zh) | 一种新型磁记忆检测系统 | |
CN104678091A (zh) | 尿液分析仪的阈值设定方法和系统 | |
CN111024807B (zh) | 一种钢丝绳磁通检测损伤定量方法 | |
Tóthmérész | Statistical analysis of spatial pattern in plant communities | |
CN114970610A (zh) | 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置 | |
CN204241112U (zh) | 孵化机无线温度巡检仪 | |
CN109239477B (zh) | 触摸按键的检测方法及检测系统 | |
CN110888100A (zh) | 一种单相智能电能表在线带载检测系统及方法 | |
CN112327216B (zh) | 一种基于边缘计算的电缆健康状态评估装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |