电子设计工程ElectronicDesignEngineering第31卷Vol.31第15期No.152023年8月Aug.2023收稿日期：2022-03-08稿件编号：202203070基金项目：山西省重点研发计划（201903D121118）；山西省回国留学人员科研资助项目（2020-111）作者简介：郭晨霞（1979—），女，山西太原人，博士，副教授。研究方向：测控技术和视觉测量。目前，动态称重数据处理算法有平均值算法、极大似然估计法、滤波法、EMD算法、神经网络法等[1]，但是针对动物动态称重的研究比较少。机器视觉技术应用于无接触测量动物体重是热门研究方向，但是目前只能估测且成本较高[2]、难以适应规模化养殖的需求。孙建英研制的智能称重系统满足规模化需求，称重平均相对误差只有1.2%，但是样本小且未对算法进行深入研究[3]。在动态称重前对羊只进行一周的适应性训练，能有效降低平均相对误差[4]。在称重算法研究领域，MaW利用改进的限幅滤波算法和BP神经网络降低肉鸡动态称重的误差[5]。唐思豪RBF神经网络在动物动态称重中的研究郭晨霞1，2，李达1，2，杨瑞峰1，2（1.中北大学仪器与电子学院，山西太原030051；2.山西省自动化检测装备与系统工程技术研究中心，山西太原030051）摘要：针对动物动态称重数据样本不平稳，真实信号淹没在噪声中导致动物体重难以快速准确测量的问题，通过将RBF神经网络引入到动态称重数据的处理中，结合经验模态分解（EMD）算法处理动态称重数据的对比试验，得出RBF神经网络能有效降低干扰信号影响的结论。EMD算法处理数据的平均相对误差为9.51%，RBF算法处理数据的平均相对误差为5.86%。实验结果表明，RBF算法处理动态称重数据的平均相对误差比EMD算法高了近一倍，证实了RBF算法应用于动物动态称重数据比EMD算法更有效。关键词：RBF神经网络；EMD；动态称重；平均相对误差中图分类号：TN0文献标识码：A文章编号：1674-6236（2023）15-0075-04DOI：10.14022/j.issn1674-6236.2023.15.016ResearchonRBFneuralnetworkindynamicweighingofanimalsGUOChenxia1，2，LIDa1，2，YANGRuifeng1，2（1.SchoolofInstrumentandElectronics，NorthUniversityofChina，Taiyuan030051，China；2.AutomaticTestEquipmentandSystemEngineeringResearchCenterofShanxiProvince，Taiyuan030051，China）Abstract:Aimingattheproblemthatthesamplesofanimaldynamicweighingdataarenotstable，andtherealsignalissubmergedinnoise，whichmakesitdifficulttomeasureanimalweightquicklyand...
