概述关于用于动物的动态称重系统设计与研究
***算法简介
经验模态分解法是黄锷在美国国家宇航局与其他人于1998年提出的一种新型自适应信号时频处理方法，特别适用于非线性非平稳信号的分析处理，已经被应用在各个领域中。EMD分解算法的基本思想为对于一个已知的复杂信号先获得信号的极值点，通过三次样条插值法获得信号的极大值包络线与极小值包络线，再得到均值包络线， 将原始信号与均值包络线的差得到第一层信号；重复分解动作得到最终的分解结果其中包含若干个本征模态函数和一个残余量。经验模态分解算法认为任何信号都可分解成几个不一样的本征模态函数和一个残余量， 各分量反映了原始信号的局部特性，残余量则反应了原始信号的趋势或均值。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。
2.基于EMD的动物动态称重算法
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，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。由于算法集成在称重的数据采集程序中，所以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MCU 算法应用在数据处理中,会导致计算量过大,且精度不高,所以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。
2.1动物动态称重算法流程
2.2预处理
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。
2.3EMD算法的适应性改进
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，如果连续检测到某3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。欢迎了解更多关于与的相关信息，欢迎前来了解咨询。